时间社会网络上包含错误信息的传播 | 网络科学论文速递11篇

世界烹饪演变的计算模型

原文标题：

Computational models for the evolution of world cuisines

http://arxiv.org/abs/1904.10138

Rudraksh Tuwani, Nutan Sahoo, Navjot Singh, Ganesh Bagler

摘要： 烹饪是一项独特的努力，是我们文化认同的核心。在不同社会文化因素（包括地理，气候和遗传影响）的复杂相互作用的背景下，世界各地的烹饪系统已经发展了一段时间。数据驱动的调查可以为烹饪的结构和组织原则提供有趣的见解。在这里，我们使用来自全球25个地理文化区域的158544个食谱的综合全套目录来调查成分及其类别使用的统计模式。此外，我们开发了美食演化的计算模型。我们的分析揭示了复制突变作为烹饪演化的合理机制。随着世界应对与饮食相关的疾病的挑战，对烹饪演化的关键决定因素的了解可以推动创造新的食谱生成算法，旨在用于改善营养和健康的饮食干预。

识别复杂网络的内在长程度相关性

原文标题：

Identification of intrinsic long-range degree correlations in complex networks

http://arxiv.org/abs/1904.10148

Yuka Fujiki, Kousuke Yakubo

摘要： 许多现实世界的网络表现出由多个步骤分隔的节点之间的度数相关性。这样的长程度相关（LRDC）可以通过关于两个随机选择的节点的度数和它们之间的最短路径距离的一个联合和四个条件概率分布来充分描述。虽然 LRDC 由相邻节点之间的最近邻度相关（NNDC）诱导，但是一些网络具有不能由 NNDC 生成的内在 LRDC 。在这里，我们开发了一种方法，通过比较给定网络的概率分布与最近邻相关随机网络的概率分布，在相关网络中提取内在 LRDC 。我们还通过将其应用于多个真实网络来演示我们方法的实用性。

基于层间相似性的多路网络链路预测

原文标题：

Link Prediction in Multiplex Networks based on Interlayer Similarity

http://arxiv.org/abs/1904.10169

Shaghayegh Najari, Mostafa Salehi, Vahid Ranjbar, Mahdi Jalili

摘要： 一些联网系统可以通过多层结构更好地建模，其中各个节点在多个层中建立关系。跨层具有类似节点的多层网络也称为多路网络。该手稿提出了一种用于预测多路网络中即将发生或缺失的链路的新颖框架。多路网络中的链路预测问题是如何预测其中一个层中的链路，同时考虑其他层的结构信息。

所提出的链路预测框架基于从考虑链路预测的层提取的层间相似性和基于邻近度的特征。为此，考虑了常用的基于邻近度的特征，例如 Adamic-Adar 和 Jaccard Coefficient 。最初提出用于预测单层网络中缺失链路的这些特征不需要学习，因此易于计算。所提出的方法引入了系统方法以考虑链路预测目的的层间相似性。在合成和真实多路网络上的实验结果揭示了所提出方法的有效性，并且显示出其优于为多路网络中的链路预测问题提出的现有算法的优越性能。

释放支付渠道：量化闪电网络对基于拓扑的攻击的抵御能力

原文标题：

Discharged Payment Channels: Quantifying the Lightning Network’s Resilience to Topology-Based Attacks

http://arxiv.org/abs/1904.10253

Elias Rohrer, Julian Malliaris, Florian Tschorsch

摘要： 闪电网络是迄今为止使用最广泛的支付通道网络（PCN），使其成为对手的一个有吸引力的攻击面。在本文中，我们分析了 Lightning Network 的 PCN 拓扑结构，并研究了它对随机故障和目标攻击的恢复能力。特别是，我们介绍了信道耗尽和节点隔离攻击的概念，并表明闪电网络容易受到这些攻击。

在初步分析中，我们确认 Lightning Network 可以归类为小世界和无标度网络。基于这些发现，我们针对目标攻击制定了一系列策略，并引入了一些指标，使我们能够量化对手的优势。我们的结果表明，能够删除一定数量节点的攻击者应遵循基于中心的策略，而以高效率为目标的资源有限的攻击者应采用排名最高的最小削减策略。

政府立法部门极化的演变

原文标题：

The evolution of polarization in the legislative branch of government

http://arxiv.org/abs/1904.10317

Xiaoyan Lu, Jianxi Gao, Boleslaw K. Szymanski

摘要： 按照他们的投票记录衡量的美国立法机构成员之间政治观点的两极化程度今天比三十年前更大。以前的研究工作找到了这种增加的原因已经提出了各种各样的贡献者，如在线媒体的增长，回声室效应，媒体偏见或虚假信息传播。然而，我们缺乏理论工具来理解，量化和预测选民及其立法者之间高度政治两极分化的出现。在这里，我们分析了过去六十年美国国会中数百万次唱名表决。

我们的分析揭示了从1980年代末开始的极化模式的关键变化。在早些时候，每个国会内部的两极分化往往会随着时间的推移而减少相比之下，在最近几十年中，极化可能在每个学期内增长。为了揭示这种变化的原因，我们在这里介绍了竞争动态的正式模型，以量化美国政府立法部门中两极分化模式的演变。我们的模型代表了极化的动态，使我们能够成功地预测过去六十年中选出的30个美国大会中的28个的极化变化方向。

通过 Rice 指数测量的极化水平的演变，我们的模型提取了一个隐藏参数 – 极化效用，它决定了极化演化的收敛点。该模型所暗示的极化效用的增加与当前的两种趋势密切相关：选民的两极分化日益加剧以及竞选活动资助者的影响力日益增强。模型极化效用的两个最大峰值与同时发生的重大政治或立法变化相关。

用于社会推荐的神经影响扩散模型

原文标题：

A Neural Influence Diffusion Model for Social Recommendation

http://arxiv.org/abs/1904.10322

Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang, Meng Wang

摘要： 精确的用户和项目嵌入学习是构建成功的推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户 – 项目交互历史中学习用户和项目嵌入的方法。但是，由于用户行为数据的稀疏性，性能受到限制。随着在线社会网络的出现，已经提出社交推荐系统利用每个用户的本地邻居的偏好来减轻数据稀疏性以便更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到其受信任用户的影响。

随着社交影响在社会网络中递归地传播和扩散，每个用户的兴趣在递归过程中改变。然而，当前的社交推荐模型通过利用每个用户的本地邻居简单地开发静态模型而不模拟全局社会网络中的递归扩散，导致不理想的推荐性能。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何受社会推荐的递归社会扩散过程的影响。对于每个用户，扩散过程开始于融合相关特征的初始嵌入和捕获潜在行为偏好的免费用户潜在向量。

我们提出的模型的关键思想是我们设计一个分层影响传播结构，以模拟用户的潜在嵌入随着社会扩散过程的继续发展。我们进一步表明，我们提出的模型是通用的，并且可以在用户〜（项目）属性或社会网络结构不可用时应用。最后，对两个真实数据集的广泛实验结果清楚地显示了我们提出的模型的有效性，与最佳基线相比，性能提高了13％以上。

Optimization of the post-crisis recovery plans in scale-free networks

http://arxiv.org/abs/1904.10625

Mohammad Bahrami, Narges Chinichian, Ali Hosseiny, Gholamreza Jafari, Marcel Ausloos

摘要： 通用汽车公司或当地企业，在危机后的经济衰退期间哪一个更好受到刺激，政府的刺激是为了克服经济衰退？由于预算限制，要问如何增加经济复苏的机会是非常重要的。回答这个问题的关键要素之一是了解经济网络的亚稳特征。伊辛模型已被建议用于研究文献中的这些特征。在同质网络中，至少需要最小激活，迫使 Ising 网络切换其局部均衡，其中这种最小值与节点特性无关。

然而，在无标度网络中，当人们试图推动网络切换其真空时，面临的问题是最好刺激哪些节点以最小化成本。在该论文中，已经表明，度值高的节点的刺激通常成本较低。尽管有规则的网络，但在无标度网络中，刺激成本取决于网络特征，例如协调性。虽然我们利用伊辛模型来解决经济学中的问题，但我们的分析揭示了许多其他有关社会经济系统刺激的问题。

非泊松活动驱动的时间网络上的随机游走

原文标题：

Random walks in non-Poissoinan activity driven temporal networks

http://arxiv.org/abs/1904.10749

Antoine Moinet, Michele Starnini, Romualdo Pastor-Satorras

摘要： 由于新的大量时间分辨数据指出了许多自然和人类交互的突发动态，在复杂系统社区中对非马尔可夫动态的兴趣最近兴起，表现在连续交互之间的事件间时间显示重尾分布。特别是，经验数据表明，时间网络的突发动态可能会对运行在它们之上的动态过程的行为产生深远的影响。在这里，我们研究随机游走的情况，作为扩散过程的范例，展开由非泊松活动驱动动力学产生的时间网络。

我们推导出无限网络规模和强老化极限的稳态占用概率和首次通过时间分布的解析表达式，表明非马尔可夫网络上的随机游动动力学与马尔可夫网络中观察到的基本不同。我们在平均事件间发散时间的极限中发现了一种特别令人惊讶的行为，即使节点的激活概率是非均匀分布的，随机游走者感觉网络是同质的。我们的结果得到了广泛的数值模拟的支持。我们预计，研究时间演化复杂拓扑的非马尔可夫动力学的研究人员可能对我们的研究结果感兴趣。

墨卡托：发现复杂网络的如实双曲嵌入

原文标题：

Mercator: uncovering faithful hyperbolic embeddings of complex networks

http://arxiv.org/abs/1904.10814

Guillermo García-Pérez, Antoine Allard, M. Ángeles Serrano, Marián Boguñá

摘要： 我们介绍了 Mercator ，一种可靠的嵌入方法，用于将真实的复杂网络映射到它们的双曲线潜在几何体中。该方法假设网络结构由流行度 times Similarity mathbb S ^ 1 / mathbb H ^ 2 静态几何网络模型很好地描述，它可以适应任意度分布并重现许多实际网络的关键属性，包括自相似性模式。

该算法混合机器学习和最大似然方法以推断底层双曲盘中节点的坐标，观察到的网络拓扑与几何模型之间具有最佳匹配。在快速模式下，Mercator 使用模型调整的机器学习技术执行尺寸缩减，以生成快速准确的地图，其质量已经超过文献中的其他嵌入算法。在精化墨卡托模式中，快速模式嵌入结果被视为最大似然估计中的初始条件，这显著提高了最终嵌入的质量。

除了作为嵌入工具的准确性之外，Mercator 还具有系统地推断节点排序或角度位置以及隐藏度和全局模型参数的明显优势，并且能够嵌入具有任意度分布的网络。总的来说，我们的结果表明，在依赖于模型的框架中混合机器学习和最大似然技术可以促进复杂网络的有意义的映射。

用于抑制网络传播的脉冲策略

原文标题：

Pulse strategy for suppressing spreading on networks

http://arxiv.org/abs/1904.10883

Qiang Liu, Xiaoyu Zhou, Piet Van Mieghem

摘要： 在网络传播模型中，每个节点都可以感染其邻居并自发治愈。假设固化随时间均匀发生。脉冲免疫/固化策略更有效并广泛应用于抑制扩散过程。我们通过脉冲固化的基本易感染（SI）过程对流行病过程进行建模，并结合潜在的接触网络。脉冲SI模型的平均场流行阈值显示为 frac 1 lambda_1 ln frac 1 1-p ，其中 lambda_1 和 p 是邻接矩阵的最大特征值和每次固化所覆盖的节点分数。与广泛研究的均匀固化过程相比，我们表明脉冲固化策略节省了大约36.8％，即 p 约0.632，与网络结构不变的固化操作数量。我们的结果可能有助于相关政策制定者估算控制传播过程的成本。