来源：The Atlantic

核心速递：

从时空数据到时序网络：野火分析应用;
仇恨言论在在线社交媒体中的传播;
2016年俄罗斯IRA影响力运动表征;
利用磁拉普拉斯算子的有向图表征和空间嵌入;

从时空数据到时序网络：

野火分析应用

原文标题：

From spatio-temporal data to chronological networks: An application to wildfire analysis

地址：

http://arxiv.org/abs/1812.01646

作者：

Didier A. Vega-Oliveros, Moshé Cotacallapa, Leonardo N. Ferreira, Marcos Quiles, Zhao Liang, Elbert E. N. Macau, Manoel F. Cardoso

摘要：网络理论已经成为复杂系统分析和模式识别的重要工具。在时空数据分析的背景下，相关网络被用于绝大多数工作中。但是，Pearson相关系数仅捕获线性关系，并且不能正确捕获重复事件。这种遗漏信息对于时间模式识别非常重要。

在这项工作中，我们提出了一个能够捕获各种事件的按时间顺序排列的网络构建过程。与之前的方法类似，我们将研究区域划分为网格单元并按节点表示。在我们的方法中，如果两个连续事件发生在两个不同的节点中，则建立链接。我们的方法计算效率高，适用于不同的时间窗口，可以应用于任何时空数据集。

作为概念验证，我们通过从MODIS数据集构建亚马逊流域火灾事件的时序网络来评估所提出的方法。我们探索了两种数据分析方法：一种是静态的，另一种是时间的。结果显示了火灾事件的一些活动模式和一年中的位移现象。本应用分析的有效性表明我们的数据建模方法对于地理系统挖掘非常有前途。

仇恨言论在

在线社交媒体中的传播

原文标题：

Spread of hate speech in online social media

地址：

http://arxiv.org/abs/1812.01693

作者：

Binny Mathew, Ritam Dutt, Pawan Goyal, Animesh Mukherjee

摘要：目前的在线社交媒体平台受到几个问题的困扰，仇恨言论占据了主导地位。网上仇恨言论的流行引发了可怕的现实世界的仇恨犯罪，例如罗兴亚穆斯林的大规模种族灭绝，科伦坡的社区暴力以及最近在匹兹堡犹太教堂发生的大屠杀。因此，必须了解这种仇恨内容在在线环境中的传播。

我们进行了第一项研究，分析了由Gab（gab.com）上的仇恨和非仇恨用户在341K用户和21M帖子的大量数据集上生成的帖子的流量和动态。我们的观察证实，仇恨内容的传播范围更广，更宽，更快，并且比非仇恨用户的内容更广泛。对仇恨和非仇恨用户的概况和网络进行更深入的检查后发现，前者更有影响力，更受欢迎，更有凝聚力。因此，我们的研究探索了仇恨用户的扩散动态的有趣方面，并拓宽了我们对网络世界仇恨言论的理解。

俄罗斯IRA：

2016年影响力运动表征

原文标题：

Characterizing the 2016 Russian IRA Influence Campaign

地址：

http://arxiv.org/abs/1812.01997

作者：

Adam Badawy, Aseel Addawood, Kristina Lerman, Emilio Ferrara

摘要：直到最近，人们才看到社交媒体在社会和政治问题上促进民主话语。然而，这个强大的通信生态系统受到严格审查，允许敌对行为者利用在线讨论来操纵公众舆论。一个典型的例子是美国国会正在调查俄罗斯干涉2016年美国大选活动，其中俄罗斯被指控使用巨魔（为操纵目的而制造的恶意账户）和机器人（自动账户）传播宣传和政治上有偏见的信息。

在这项研究中，我们探讨了这种操纵活动的效果，仔细研究了美国国会调查公开披露的俄罗斯巨魔账户重新分享Twitter上发布的帖子的用户。我们在2016年收集了超过一百万不同用户在Twitter上分享的1300万与选举相关的帖子的数据集。该数据集包括与已识别的俄罗斯巨魔相关联的帐户以及在2016年选举期间在各个主题上在同一时间段内共享帖子的用户。

我们使用标签传播来根据用户共享的新闻来源推断用户的意识形态。我们能够将大量用户分类为自由或保守的精确度，并且召回率高于84％。转推俄罗斯巨魔的保守派用户发布的推文数量明显多于自由推特，推文数量约为8倍。

此外，巨魔在转推网络中的地位随着时间的推移是稳定的，不像转发它们的用户在2016年底之前构成了与选举相关的转发网络的核心。使用最先进的机器人检测技术，我们估计大约5％和11％的自由派和保守派用户分别是机器人。

利用磁拉普拉斯算子

表征和空间嵌入有向图

原文标题：

Characterization and space embedding of directed graphs trough magnetic Laplacians

地址：

http://arxiv.org/abs/1812.02160

作者：

Bruno Messias, L. da F. Costa

摘要： 有向图是对几个真实世界系统进行建模的基本数据结构，例如社会网络。然而，最近在网络科学中开发的大多数方法和测量仅涉及无向复杂网络。由于这种限制，在这项工作中，我们开发了一个基于磁拉普拉斯的框架，可用于研究有向复杂网络。更具体地说，我们引入了一个特定的热量测量，可以帮助表征网络拓扑。

结果表明，通过使用这种方法，可以识别多个网络的类型，以及推断特定网络配置下的参数。然后，我们考虑与磁拉普拉斯相关的动力学作为将网络嵌入度量空间的手段，允许在人工网络中识别社区结构或解开政治博客圈的两极分化。通过在此度量标准空间中定义粗粒度过程，我们将展示如何连接特定热量测量和此空间中节点的位置。