本文由机器翻译，仅供参考，感兴趣请查阅论文原文

核心速递

弱关系加剧了社交媒体中的愤怒情绪蔓延;
异构网络中联系人跟踪的有效性;
如何管理大流行后的开放？Pontryagin最大原理方法;
使用后验预测分布分析流行病模型：墨西哥城的COVID-19;
使用新型时间衰减模型进行选举预测：预测美国总统大选;
社会平衡对社会分化的影响;
金融数据中的细粒度意见挖掘：综述与研究议程;
基于首次通过概率的社区检测;
在没有群体间歧视的情况下是否会造成性别不平等？;
特朗普主义的根源：Reddit上对唐纳德·特朗普支持的同质性和社会反馈;
不确定条件下的公平运输网络设计;
引导式基于链接遍历的查询处理;
用空间熵模拟城市增长和形式;
具有无限大策略空间实验中的启发式;
通过Gumbel Softmax聚类图数据集;

弱关系加剧了社交

媒体中的愤怒情绪蔓延

原文标题：

Weak ties strengthen anger contagion in social media

地址：

http://arxiv.org/abs/2005.01924

作者：

Rui Fan, Ke Xu, Jichang Zhao

摘要：越来越多的证据表明，与面对面交流类似，人类情感也在网络社交媒体中传播。然而，这种情绪传染的潜在机制，例如，不同的情绪是否以不太可能的方式传播，或者情绪的传播与社会网络之间的关系，很少被研究。确实，由于成本高昂和时空局限性，使用常规调查表或受控实验对该主题的探索具有挑战性。因为它们是大量个体自然情感反应的收集点，所以在线社交媒体网站为从计算社会科学的角度解决此问题提供了理想的主体。在本文中，基于对微博中数百万条推文的分析，令人惊讶的是，我们发现愤怒会沿着较弱的纽带轻松传播，而不是欢乐，这意味着它可以渗入不同的社区并摆脱本地陷阱，因为陌生人更多地共享这种内容。通过一个简单的扩散模型，我们发现通过应用传播速度和覆盖率指标，较弱的联系会加快怒火。据我们所知，这是首次提出定量的长期证据，揭示了传播欢乐和愤怒的机制有所不同。随着蓬勃发展的社交媒体中薄弱关系的广泛扩散，我们的结果表明，愤怒的蔓延性可以得到深深的加强，以使其负面影响全球化。

异构网络中联系人跟踪的有效性

原文标题：

The effectiveness of contact tracing in heterogeneous networks

地址：

http://arxiv.org/abs/2005.02362

作者：

Sadamori Kojaku, Laurent Hébert-Dufresne, Yong-Yeol Ahn

摘要：病例隔离和接触者追踪是控制流行病暴发的一种广泛使用的干预方法。在这里，我们认为现有研究可能会低估联系人跟踪和隔离的有效性，因为它们没有考虑网络结构的异质性和抽样偏差的不同形式。具体来说，我们显示了在定位中心进行联系人跟踪比相识采样更为有效。我们的结果要求有必要通过多个步骤来进行往来跟踪追踪，以利用所有形式的积极偏见。通过对具有幂律度分布的网络进行仿真，我们表明，这种深度接触跟踪可以潜在地阻止几乎所有进一步的传输，即使检测到感染个体的可能性很小。我们还表明，当被跟踪的联系人数量很少时，每个被跟踪节点的阻止传输数量甚至会更高（尽管大多数被跟踪的个体是健康的），这比不进行接触跟踪的情况下隔离的情况要高。我们的结果也对数字联系跟踪的新实现产生了重要影响，我们认为可以在不牺牲这些新平台的隐私保护要求的前提下合并向后和深度跟踪。

如何管理大流行后的开放？

Pontryagin最大原理方法

原文标题：

How to manage the post pandemic opening? A Pontryagin Maximum Principle approach

地址：

http://arxiv.org/abs/2005.02283

作者：

R. Mansilla

摘要：COVID-19大流行已完全破坏了我们社会的运作。其难以捉摸的传播过程具有潜伏期长，传染性高的特点，迫使许多国家采取检疫和社会隔离措施，以危害国民经济的表现。这种情况使不同国家的决策者面临重新开放经济的选择，从而面临传染病反弹的不可预测的代价。这项工作试图提供一个初步的理论框架来处理这种选择。

使用后验预测分布分析流行病

模型：墨西哥城的COVID-19

原文标题：

Using the posterior predictive distribution to analyse epidemic models: COVID-19 in Mexico City

地址：

http://arxiv.org/abs/2005.02294

作者：

Ramsés H. Mena, Jorge X. Velasco-Hernandez, Natalia B. Mantilla-Beniers, Gabriel A. Carranco-Sapiéns, Luis Benet, Denis Boyer, Isaac Pérez Castillo

摘要：流行病学模型包含一组参数，必须根据可用的观察结果进行调整。校准模型后，可以将其用作预测工具以进行预测和评估应急计划。通常只对这种预测采用点估计器。但是，某些模型对于较大范围的参数值可能会很好地拟合相同的数据，并且这种灵活性意味着，根据此类模型中得出的适合的特定参数值，源自这些模型的预测会相差很大。当数据不佳或不完整时，模型不确定性会进一步扩大。避免此问题的一种方法是使用贝叶斯统计量合并观察值，并使用后验分布中包含的所有参数估计值来调整模型预测中的不确定性。具体来说，给定流行病学模型和观察值的概率分布，我们使用模型参数的后验分布通过后验预测分布生成所有可能的流行病学曲线。从所有曲线的包络中，可以提取出最坏的情况并根据此评估研究应急计划的影响。我们将这种方法应用于墨西哥城COVID-19的潜在演变，并评估应急计划是否成功以及流行病学曲线是否趋于平坦。

使用新型时间衰减模型进行

选举预测：预测美国总统大选

原文标题：

Electoral Forecasting Using a Novel Temporal Attenuation Model: Predicting the US Presidential Elections

地址：

http://arxiv.org/abs/2005.01799

作者：

Alexandru Topirceanu

摘要：选举预测是一项持续不断的科学挑战，具有很高的社会影响力，因为当前的数据驱动方法试图将统计数据与经济指标和机器学习有效地结合起来。但是，最近在网络科学中的研究指出了时间特征在观点传播中的重要性。因此，我们结合了微观尺度舆论动态和时空流行的概念，并开发了一种新颖的宏观尺度时空衰减（TA）模型，该模型使用了选举前的民意测验数据来提高预测准确性。我们的假设是，公开民意测验的时间在民意如何动摇中起着重要作用，尤其是在选举之前。因此，我们将舆论动量定义为时间函数，当在多选民投票系统中注入舆论时反弹，并在放松状态下减弱。我们根据1968-2016年美国总统选举的调查数据验证了技术援助，在13项总统选举中，有10项的技术援助优于统计方法以及当时的最佳民意测验。我们介绍了TA模型的两种不同实现方式，它们在48年期间的平均预测误差为2.8-3.28点。相反，统计方法累积误差为7.48点，而最佳民意测验累积误差为3.64点。总体而言，与最新技术水平相比，TA的预测性能提高了23-37％。我们表明，当可用的民意测验相对较少时，TA的有效性不会下降。此外，随着大选前调查的增加，我们相信我们的助教模型将与其他现代大选预测技术一起成为参考。

社会平衡对社会分化的影响

原文标题：

The effect of social balance on social fragmentation

地址：

http://arxiv.org/abs/2005.01815

作者：

Tuan Minh Pham, Imre Kondor, Rudolf Hanel, Stefan Thurner

摘要：随着手机，互联网，社交媒体等的普及，在过去的三十年中，大多数社会中人们的相互联系急剧增加。在同一时间跨度内，我们观察到社会中的碎片化程度不断提高的现象，这种碎片化现象被称为过滤器气泡或回声室的相对较小且孤立的组。这些对开放社会构成了许多威胁，特别是在政治，社会或文化问题上的激演化以及对事实的有限获取。在本文中，我们表明这两种现象可能紧密相关。我们研究了一个相互作用的人的社会的简单随机协同演化模型。人们不仅能够在自己的社交环境中更新自己的观点，而且还可以从协作到敌对以及反之亦然更新他们的社交联系。实施后者是为了实现社会平衡。我们发现，存在着至关重要的相互联系，在这个层次上，社会分裂成小的子社区，这些小社区在其他群体内部形成积极联系并敌视其他群体。我们认为，在所有表现出社会平衡的社会中，临界沟通密度的存在是普遍现象。必要性来自相变现象的基本数学结构，这从一种称为自旋玻璃的无序磁体的理论中可以知道。我们讨论此阶段过渡对社会中的社会分裂的影响。

金融数据中的细粒度

意见挖掘：综述与研究议程

原文标题：

Fine-grained Opinion Mining in Financial Data: A Survey and Research Agenda

地址：

http://arxiv.org/abs/2005.01897

作者：

Chung-Chi Chen, Hen-Hsen Huang, Hsin-Hsi Chen

摘要：观点挖掘是许多领域中的普遍研究问题。但是，在金融领域，它仍处于早期阶段。关于该主题的大多数研究仅集中在粗粒度的市场情绪分析上，即对牛市/熊市进行2种分类。由于最近金融技术（FinTech）的发展，一些跨学科的研究人员开始参与对投资者观点的深入分析。在本立场文件中，我们首先从粗粒度和细粒度的角度定义财务意见，然后概述已解决的问题。除了列出现有主题的研究问题之外，我们还提出了用于未来研究的细粒度财务观点挖掘路线图，并指出了有待探索的若干挑战。此外，我们提供了可能的方向来处理拟议的研究问题。

基于首次通过概率的社区检测

原文标题：

Community detection based on first passage probabilities

地址：

http://arxiv.org/abs/2005.01938

作者：

Zhaole Wu, Xin Wang, Wenyi Fang, Longzhao Liu, Shaoting Tang, Hongwei Zheng, Zhiming Zheng

摘要：社区检测对于了解拓扑特征和复杂网络上的传播动态具有根本意义。尽管随机游走已被广泛使用并在许多社区检测算法中被证明是有效的，但仍然存在两个主要缺陷：（i）如果使用所有可能的随机游走的平均步长，则随机游走的最大长度太大而无法区分聚类信息。; （ii）如果使用预先指定的最大长度，则会错过所有其他步长的有用社区信息。在本文中，我们提出了一种基于首次通过概率（FPPM）的新颖的社区检测方法，该方法配备了一种新的相似性度量，该度量在最大步长内合并了完整的结构信息。在此，将网络的直径选择为适合于不同网络的随机游走的适当边界。然后，我们使用分层聚类将顶点分为社区，并通过相应的模块化值进一步选择最佳划分。最后，设计了一种后处理策略来整合不合理的小社区，从而大大提高了社区划分的准确性。令人惊讶的是，数值模拟表明，相比于综合基准和实际网络上的几种经典算法，FPPM的性能最佳，这揭示了我们方法的通用性和有效性。

在没有群体间歧视的

情况下是否会造成性别不平等？

原文标题：

Can gender inequality be created without inter-group discrimination?

地址：

http://arxiv.org/abs/2005.01980

作者：

Sylvie Huet1, Floriana Gargiulo, Felicia Pratto

摘要：了解人类社会需要了解他们如何发展无所不在的性别等级制度。我们测试了基于主体的简单动态过程是否会造成性别不平等。依靠性别状态问题，自我建构和认知习惯的证据，我们的模型包括性别差异，即男性和女性特工对他人对某人的自尊水平的看法如何敏感。我们模拟了一群人口，他们在成对的随机选择的主体中相互作用，以相互影响他们对自己和他人的自尊判断。与其他人相比，一半的人在交互过程中受其相对地位等级的影响更大。在没有偏见，刻板印象，隔离或分类的情况下，我们的模型会产生群体间的自尊和状态不平等，这些不平等是稳定，共识性的，并表现出玻璃天花板效应的特征。结局不受相对群体规模的影响。我们讨论了群体主导地位和个人交流动机的含义。

特朗普主义的根源：

Reddit上对唐纳德·特朗普

支持的同质性和社会反馈

原文标题：

Roots of Trumpism: Homophily and Social Feedback in Donald Trump Support on Reddit

地址：

http://arxiv.org/abs/2005.01790

作者：

Joan Massachs, Corrado Monti, Gianmarco De Francisci Morales, Francesco Bonchi

摘要：我们在Reddit的政治讨论中研究了对唐纳德·特朗普的支持的出现。“ r / The_Donald”拥有近80万订阅者，是Reddit上最大的社区之一，也是特朗普支持者的主要枢纽之一。它是在唐纳德·特朗普（Donald Trump）开始总统竞选后不久于2015年创建的。通过仅使用2012年的数据，我们预测在上届美国总统大选之年2016年成为唐纳德·特朗普的支持者的可能性。为了表征特朗普支持者的行为，我们从三种不同的社会学假设中得出：同质性，社会影响力和社会反馈。我们将每个假设作为一组针对每个用户的功能进行操作，并训练分类器来预测他们对r / The_Donald的参与。我们发现基于同形体和基于社会反馈的功能是最具预测性的信号。相反，我们没有观察到社会影响机制的强大影响。我们还将对表现最佳的模型进行自省，以在Reddit上建立唐纳德·特朗普典型支持者的“角色”。我们发现有证据表明，最突出的特征包括主要是男性利益，保守和自由主义的政治倾向以及与政治上不正确和阴谋的内容的联系。

不确定条件下的公平运输网络设计

原文标题：

Equitable Transit Network Design Under Uncertainty

地址：

http://arxiv.org/abs/2005.02174

作者：

Yu Jiang

摘要：本文提出了一种考虑供应方不确定性的双层运输网络设计问题。上层问题确定了频率设置，以同时最大化效率和公平性，这分别由所有OD对的总有效旅行成本的减少和最小有效旅行成本的最小减少来定义。下层问题是基于可靠性的过境分配问题，该问题捕获了供应方不确定性对乘客路线选择行为的影响。数值研究表明：1）帕累托边界可能不凸；2）可以同时提高效率和公平目标；3）增加频率可能会使资产计量恶化；4）乘客的风险态度会影响两个目标之间的替代率。

引导式基于链接遍历的查询处理

原文标题：

Guided Link-Traversal-Based Query Processing

地址：

http://arxiv.org/abs/2005.02239

作者：

Ruben Verborgh, Ruben Taelman

摘要：基于链接遍历的查询处理（LTBQP）是一种技术，它通过从一组种子文档开始评估评估数据网上的查询，该种子文档通过以下超链接进行动态扩展。与对一组静态源进行查询评估相比，由于所需的网络请求数量大，LTBQP的速度明显慢。此外，考虑到源是动态选择的，因此对结果的相关性和可信赖性也存在担忧。为了解决这两个问题，我们提出了指导性LTBQP，该技术将有关文档链接结构和内容策略的信息传递给查询处理器。从而，处理器可以仅通过跟随相关链接来修剪文档的搜索树，并且通过限制针对哪种内容考虑哪些文档来将结果集限制为期望的结果。在此探索性论文中，我们从较高的角度描述了该技术，并概述了其一些应用。我们认为，这样的指导可以使LTBQP在分散环境中成为有价值的查询策略，在分散环境中，数据分散在具有不同用户信任级别的文档中。

用空间熵模拟城市增长和形式

原文标题：

Modeling Urban Growth and Form with Spatial Entropy

地址：

http://arxiv.org/abs/2005.02272

作者：

Yanguang Chen

摘要：熵是分形维数定义的物理基础之一，广义分形维数由人意熵定义。使用分形维数，我们可以表征城市增长，形成和描述空间复杂性。已经提出了许多分形模型和测量方法用于城市研究。但是，应用分形维数的先决条件是在城市中寻找规模。否则，我们可以利用熵函数和度量。本文致力于研究如何利用空间熵来描述城市。通过类推，可以导出一对模型，并可以构建一组度量来描述城市的增长过程和模式。首先，可以利用逻辑函数和玻尔兹曼方程对城市增长的熵增长曲线进行建模。其次，基于空间熵的一系列指标可用于表征城市形态。此外，可以将多分形维数谱概括为空间熵谱。结论可以如下。熵和分形维数在城市研究中既有交叉又有不同的应用领域。因此，对于给定的空间测量比例，为了简单起见，分形维数通常可以用熵代替。这项工作中提出的模型和度量对于将熵和分形维数集成到同一城市空间分析框架中具有重要意义。

具有无限大策略空间实验中的启发式

原文标题：

Heuristics in experiments with infinitely large strategy spaces

地址：

http://arxiv.org/abs/2005.02337

作者：

Jørgen Vitting Andersen, Philippe de Peretti

摘要：我们引入了一种新方法，该方法能够在具有无限大策略空间的简单重复博弈中检测到Nash均衡收敛的起点，从而揭示决策中使用的启发式方法。该方法通过约束策略的特殊有限子集（称为解耦策略）而起作用。我们通过引入预测性度量 Delta D，展示如何将该技术应用于理解金融市场实验中的价格形成：正解耦策略（建议购买）和负解耦策略（建议出售）之间的区别。使用 Delta D，我们说明了该方法如何在一系列实验中以较高的成功率预测（在特定特殊时间）参与者的动作

通过Gumbel Softmax聚类图数据集

原文标题：

Clustering for Graph Datasets via Gumbel Softmax

地址：

http://arxiv.org/abs/2005.02372

作者：

Deepak Bhaskar Acharya, Huaming Zhang

摘要：近来，在诸如语音识别和视觉处理的许多系统中，深度学习已被广泛实施。在这项研究中，我们正在探索在图聚类中使用深度学习的可能性。图已在不同领域中获得越来越多的关注，包括社会网络，信息图，推荐系统以及生命科学。在本文中，我们提出了一种对各种图数据集的节点进行聚类的方法。我们将属于联盟网络，动物网络，人类接触网络，人类社会网络，其他网络的不同类别数据集聚类。在对网络中的节点之间的交互进行建模时，深度学习角色使与图网络分析相关的科学领域发生了一场革命。在本文中，我们将gumbel softmax方法扩展到图网络聚类。在特定图数据集上的实验结果表明，该新方法明显优于传统聚类，这强烈表明了深度学习在图聚类中的功效。我们使用各种数据集对图聚类算法进行了一系列实验：扎卡里空手道俱乐部，高地部落，火车轰炸意大利帮派，爵士音乐家，美国革命，海豚，斑马，风帆冲浪者，悲惨世界，政治书籍。