• 弱连接优势视角下的科学成功;
  • 1983-2018年美国两类收入分配的物理启发分析;
  • 一系列依附模型中稳健高效网络的涌现;
  • 从稳定图信号中联合推断具有隐藏变量的多个图;
  • 政治两极分化对疫苗接种立场的影响分析：巴西 COVID-19 情景;
  • 基于个体和配对的流行病传播模型：掌握方程及其预测能力分析;
  • 量化社交媒体上的自杀倾向：一项调查;
  • TBCOV：20 亿多语言 COVID-19 推文，带有情绪、实体、地理和性别标签;
  • 重新审视 SVD 为推荐系统生成强大的节点嵌入;

弱连接优势视角下的科学成功

原文标题： Scientific success from the perspective of the strength of weak ties

地址：

作者： Agata Fronczak, Maciej J. Mrowinski, Piotr Fronczak

摘要： 我们使用大量数据集首次完整地证实了格拉诺维特的社会网络理论。为此，我们研究了一个科学合作网络，它被认为是与该理论的普遍性相矛盾的最重要的例子之一。我们通过拒绝社会关系对称的假设来实现这一目标。我们的方法基于成熟的异构（基于度）平均场理论，通常用于研究复杂网络上的动态过程。格拉诺维特的理论基于两个假设，这些假设将不同的角色分配给人际交往、信息承载联系。第一个假设指出，承载大多数交互事件的强关系主要位于紧密联系的人群中。第二个假设认为，这些群体通过稀疏的弱关系连接起来，这对于信息的传播至关重要——能够获得弱关系的人比那些没有的人更有优势。鉴于科学合作网络，通过联合出版物的不对称部分来衡量有向联系的强度，我们表明科学成功与科学家合作网络的结构密切相关。首先，在具有类似成就的两位科学家中，联系较弱的人往往具有较高的 h-index，其次，通过这种联系联系起来的团队创造了更有价值的出版物。

1983-2018年美国两类收入分配的物理启发分析

原文标题： Physics-inspired analysis of the two-class income distribution in the USA in 1983-2018

地址：

作者： Danial Ludwig, Victor M. Yakovenko

摘要： 本文的第一部分是基于统计物理学和动力学理论思想的对解决经济不平等的方法的简要调查。这些包括 Boltzmann 动力学方程、时间反转对称性、遍历性假设、熵最大化和 Fokker-Planck 方程。指数 Boltzmann-Gibbs 分布的起源和帕累托幂律在加法和乘法随机过程中进行了讨论。本文的第二部分使用二分类分解分析了美国 1983 年至 2018 年期间的收入分配数据。我们提供了压倒性的证据，表明下层阶级（超过 90% 的人口）由指数分布描述，而上层阶级（2018 年约占人口的 4%）由幂律分布。我们表明，这一时期不平等的显著增长是由于上层阶级收入份额的急剧增加，而下层阶级的相对不平等保持不变。我们推测，上层人口和收入份额的扩大可能是由于过去 40 年来经济数字化和非本地化程度的提高。

一系列依附模型中稳健高效网络的涌现

原文标题： Emergence of Robust and Efficient Networks in a Family of Attachment Models

地址：

作者： Fuxuan Liao, Yukio Hayashi

摘要： 稳健高效网络的自组织对于未来通信或运输系统的设计很重要，因为这两种特性在许多实际网络中并不共存。作为共存的候选者之一，最近发现了具有正度相关性的洋葱状结构的最优鲁棒性，它可以通过基于一对具有最小度的随机和中间附件的增量增长方法生成选择。在本文中，我们通过随机和最小度数附件之间的参数 betageq 0 引入连续插值，以研究最小度数选择为何重要的原因。然而，我们发现最小度附着的特殊情况可以生成高度鲁棒的网络，但作为链结构的效率很低。此外，我们考虑使用反向优先连接修改的两个中介模型，以研究距离对稳健洋葱状结构出现的影响。一类混合附件和两种中介模型中的逆优先连接对于稳健洋葱状结构的出现是有效的，但是，当 beta 足够大时，网络效率需要少量的随机附件。此类附件模型表明我们网络基础设施未来增长的预期方向。

从稳定图信号中联合推断具有隐藏变量的多个图

原文标题： Joint inference of multiple graphs with hidden variables from stationary graph signals

地址：

作者： Samuel Rey, Andrei Buciulea, Madeline Navarro, Santiago Segarra, Antonio G. Marques

摘要： 从节点观察集学习图代表了一个突出的问题，正式称为图拓扑推理。然而，当前的方法受限于通常专注于推断单个网络，并且它们假设来自所有节点的观察都是可用的。首先，许多当代设置涉及多个相关网络，其次，通常情况下，只有一部分节点被观察到，而其余节点仍然隐藏。受这些事实的启发，我们引入了一种联合图拓扑推理方法，该方法对隐藏变量的影响进行建模。假设观察到的信号在寻找的图上是静止的，并且图是密切相关的，多个网络的联合估计允许我们利用这种关系来提高学习图的质量。此外，我们面临着对隐藏节点的影响进行建模以最小化其不利影响的挑战性问题。为了获得一种可行的方法，我们利用手头设置的特定结构并利用不同图之间的相似性，这会影响观察到的和隐藏的节点。为了测试所提出的方法，提供了对合成图和真实世界图的数值模拟。

政治两极分化对疫苗接种立场的影响分析：巴西 COVID-19 情景

原文标题： Analysis of the influence of political polarization in the vaccination stance: the Brazilian COVID-19 scenario

地址：

作者： Régis Ebeling, Carlos Abel Córdova Sáenz, Jeferson Nobre, Karin Becker

摘要： COVID-19 的爆发对全球产生了巨大影响，非科学信仰和政治两极分化严重影响了人们的行为。在这种情况下，COVID 疫苗在前所未有的时间内问世，但观察到的高度犹豫可能会破坏社区免疫接种。传统上，反对疫苗接种的态度更多地与阴谋思维而非政治偏见有关。在巴西，一个在大规模疫苗接种计划方面有着典型传统的国家，所有与 COVID 相关的话题也在强烈的政治偏见下进行了讨论。在本文中，我们使用多维分析框架来理解巴西人在社交媒体上表达的反/支持疫苗接种立场是否受到政治两极分化的影响。该分析框架结合了自动从用户推断其政治取向的技术、发现他们关注点的主题建模、表征其社会行为的网络分析以及表征信息源和外部影响的技术。我们的主要发现证实，反/pro stances 分别受到政治两极分化的偏见，分别是右翼和左翼。虽然很大一部分支持 vaxxers 的人急于制定免疫计划并批评政府的行为，但反对 vaxxers 的人不信任在创纪录的时间内开发的疫苗。反疫苗立场也与对中国的偏见（anti-sinovaxxers）有关，揭示了与共产主义有关的阴谋论。所有群体都表现出“回声室行为，表明他们不接受不同的观点。

基于个体和配对的流行病传播模型：掌握方程及其预测能力分析

原文标题： Individual- and pair-based models of epidemic spreading: master equations and analysis of their forecasting capabilities

地址：

作者： Federico Malizia, Luca Gallo, Mattia Frasca, Vito Latora, Giovanni Russo

摘要： 疾病传播的数学模型在理解、控制和预防流行病爆发方面起着至关重要的作用。在复杂的人类接触网络上疾病传播的微观描述中，个体处于给定状态（易感、感染、康复等）的概率取决于网络中其邻居的状态。因此，它依赖于节点对的状态，而节点对的状态又依赖于动态依赖层次结构中的三元组。为了生成同时可靠且易于管理的模型，人们必须理解如何截断这样的层次结构，以及所选择的近似顺序如何影响模型预测流行病的真实时间演变的能力。在本文中，我们对通过在个人级别或对级别截断层次结构获得的预测的可靠性（在可用数据的数量和质量的不同假设下）进行系统分析。我们发现，在我们工作中考虑的所有条件下，基于配对的模型都是用于估计流行病学参数和预测流行病的时间演变的可靠工具。然而，基于对的方法对基于个体的方法提供了更好的预测，前提是可以获得更好的数据，即关于节点对状态的信息。总体而言，我们的结果表明，需要通过改进的接触者追踪技术为更精细的数学模型提供信息，以更好地支持对要采用的政策和遏制措施的决策。

量化社交媒体上的自杀倾向：一项调查

原文标题： Quantifying the Suicidal Tendency on Social Media: A Survey

地址：

作者： Muskan Garg

摘要： 在封锁期间，由于第三名的封闭，越来越多的人在社交媒体平台上表达了自己的感受，学术研究人员目睹了心理健康与社交媒体帖子之间的密切联系。短暂的压力可能会导致临床抑郁症，而普遍抑郁症的长期特征可能会危及生命，并可能导致自杀意念。对自杀案件数量增加的日益关注是因为它是导致过早但可预防死亡的主要原因之一。最近的研究表明，挖掘社交媒体数据有助于量化处于危险中的用户的自杀倾向。这份潜在的手稿阐明了精神保健的分类，并强调了最近在检查社交媒体数据上量化自杀倾向的潜力方面的一些尝试。这份手稿介绍了来自社交媒体数据的异构特征的分类和处理特征向量表示。为了确定基于机器学习 (ML) 和深度学习 (DL) 模型开发的新研究方向和进展，对超过 77 篇与压力、抑郁症相关的潜在研究文章的语料库进行了定量综合和定性审查2013 年至 2021 年的自杀风险。

TBCOV：20 亿多语言 COVID-19 推文，带有情绪、实体、地理和性别标签

原文标题： TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels

地址：

作者： Muhammad Imran, Umair Qazi, Ferda Ofli

摘要： 在突发卫生事件和疾病爆发等大规模融合事件期间广泛使用社会网络，可以即时访问公民生成的数据，这些数据包含有关公众意见、情绪、紧急需求和情况报告的丰富信息。这些信息可以帮助当局理解紧急情况并做出相应的反应。此外，社交媒体在处理错误信息和虚假信息方面发挥着至关重要的作用。这项工作展示了 TBCOV，这是一个大规模的 Twitter 数据集，包含超过 20 亿条与 COVID-19 大流行相关的多语言推文，这些推文在全球连续一年多的时间里收集。更重要的是，使用了几种最先进的深度学习模型来丰富具有重要属性的数据，包括情感标签、命名实体（例如，对个人、组织、位置的提及）、用户类型和性别信息。最后但并非最不重要的是，提出了一种地理标记方法，将国家、州、县和城市信息分配给推文，使无数数据分析任务能够理解现实世界的问题。我们的情绪和趋势分析揭示了有趣的见解，并证实了 TBCOV 对重要主题的广泛覆盖。

重新审视 SVD 为推荐系统生成强大的节点嵌入

原文标题： Revisiting SVD to generate powerful Node Embeddings for Recommendation Systems

地址：

作者： Amar Budhiraja

摘要： 图表示学习（GRL）是推荐系统中一个即将到来的有前途的领域。在本文中，我们重新审视了用于嵌入生成用户和项目的邻接矩阵的奇异值分解 (SVD)，并在这些嵌入之上使用两层神经网络来学习用户-项目对之间的相关性。受 GRL 中高阶学习成功的启发，我们进一步提出了该方法的扩展，通过邻接矩阵的二阶包含 SVD 的双跳邻居，并证明与仅使用一个的简单 SVD 方法相比性能有所提高-跳邻居。对推荐系统的三个公开可用数据集的实证验证表明，所提出的方法尽管很简单，但击败了许多最先进的方法，并且对于三个数据集中的两个，超过所有这些方法的幅度高达 10%。通过我们的研究，我们希望阐明矩阵分解方法（特别是 SVD）在深度学习时代的有效性，并表明这些方法仍然作为推荐系统的重要基线做出贡献。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。