网络科学研究速递

Arxiv网络科学论文摘要8篇(2020-10-30)

2020-10-30  本文已影响0人  ComplexLY

网络的几何抽样

原文标题: Geometric Sampling of Networks

地址: http://arxiv.org/abs/2010.15221

作者: Vladislav Barkanass, Jürgen Jost, Emil Saucan

摘要: 根据基于Ricci曲率的流形采样的方法和结果,我们提出了一种类似的网络方法。为此,我们呼吁使用三种类型的离散曲率,即用于基于边和基于节点的采样的图Forman,完全Forman和Haantjes-Ricci曲率。我们介绍了现实生活网络以及图像处理中出现的正方形网格的实验结果。此外,我们考虑拟合Ricci流,并将其用于检测网络的骨干网。我们还开发了与Forman-Ricci曲率有关的嵌入内核,并将其用于检测网络的粗略结构,以及用于SVM应用程序的网络可视化。还研究了原始流形的Ricci曲率与Ricci曲率驱动的离散化之间的关系。

智慧城市中的微观移动性:通过社交大数据深入研究无桩共享电单车

原文标题: Micromobility in Smart Cities: A Closer Look at Shared Dockless E-Scooters via Big Social Data

地址: http://arxiv.org/abs/2010.15203

作者: Yunhe Feng, Dong Zhong, Peng Sun, Weijian Zheng, Qinglei Cao, Xi Luo, Zheng Lu

摘要: 微型交通正在影响城市地区的第一英里和最后一英里旅行。最近,由于价格实惠,可通过应用程序轻松访问以及实现零排放,共享的无座电动踏板车(e-scooters)已成为大城市中驾驶短途通勤者的日常替代品。同时,电动踏板车在城市管理方面面临挑战,例如交通规则,公共安全,停车规定和责任问题。在本文中,我们收集并调查了2018年10月至2020年3月由270万用户生成的580万踩踏板车的推文和144197张图像,以通过众包数据分析更深入地研究共享电动踏板车。我们从时空的角度剖析了电动踏板车的使用情况,探索了不同的业务角色(即骑手,演出工人和乘车公司),检查了操作模式(例如伤害类型和停车行为),并进行了情绪分析。据我们所知,本文是首次使用大社交数据对共享电动滑板车进行大规模的系统研究。

使用ICON R软件包探索复杂的网络

原文标题: Exploring complex networks with the ICON R package

地址: http://arxiv.org/abs/2010.15222

作者: Raoul R. Wadhwa, Jacob G. Scott

摘要: 我们引入ICON,一个R包,其中包含1075个标准边列表格式的复杂网络数据集。所有提供的数据集都有相关的引文,并已通过“复杂网络的科罗拉多指数”(也称为ICON)进行了索引。除了提供大量有用的现实世界网络的语料库之外,ICON还实现了S3泛型,以分别与网络和ggnetwork R软件包一起用于网络分析和可视化。此报告中的示例代码还演示了如何将ICON与igraph软件包结合使用。当前,综合R存档网络托管ICON v0.4.0。我们希望ICON将成为复杂网络研究的标准语料库,并防止单个研究小组原本需要的多余工作。可以在https://github.com/rrrlw/ICON上找到ICON和此可复制报告的开源代码。

Twitter机器人的发现和分类

原文标题: Discovery and classification of Twitter bots

地址: http://arxiv.org/abs/2010.15393

作者: Alexander Shevtsov Alexander Shevtsov, Maria Oikonomidou, Despoina Antonakaki, Polyvios Pratikakis, Alexandros Kanterakis, Sotiris Ioannidis, Paraskevi Fragopoulou

摘要: 每天都有大量人使用在线社会网络。这样的平台因此成为寻求吸引大批观众注意力并影响感知或观点的主体商的有吸引力的目标。僵尸网络是由单个主体程序控制的自动帐户的集合,是发挥最大影响力的常见机制。随着时间的流逝,僵尸网络可能会更好地渗透到社会网络中,并产生一种对社区行为的幻觉,从而扩大其信息范围并增强说服力。本文研究了Twitter僵尸网络,它们的行为,它们与用户社区的互动以及它们随着时间的演变。我们分析了Twitter流量的子集的密集爬网,这总计36个讲希腊语的Twitter用户的几乎所有互动。我们检测到超过一百万个事件,其中似乎无关的帐户几乎在同一时间发布了几乎相同的内容。我们过滤了这些并发的内容注入事件,并检测到一组1,850个帐户,这些帐户反复表现出这种行为方式,表明它们完全或部分由同一软件控制和编排。我们发现僵尸网络会出现短暂的时间间隔并消失,以及不断发展和增长的僵尸网络,跨越整个数据集的持续时间。我们分析了僵尸程序帐户和人类用户之间的统计差异,以及僵尸网络与用户社区和Twitter趋势主题的交互。

PeopleXploit-一种收集公共数据的混合工具

原文标题: PeopleXploit -- A hybrid tool to collect public data

地址: http://arxiv.org/abs/2010.15668

作者: Arjun Anand V, Buvanasri A K, Meenakshi R, Dr. Karthika S, Ashok Kumar Mohan

摘要: 本文介绍了开源智能(OSINT)的概念,它是个人智能配置文件中的重要应用程序。使用各种可用的工具,由于分析了他/她的互联网存在,因此应该获得有关个人的重要数据,但是所有这些都以低相关性为代价。为了提高分析中的相关性得分,引入了PeopleXploit。 PeopleXploit是一种混合工具,可帮助收集可靠且与给定输入相关的公开可用信息。该工具用于跟踪和追踪给定目标的数字足迹,例如名称,电子邮件,电话号码,用户ID等,并且该工具将从互联网上的公共可用记录中扫描和搜索其他关联数据,并针对该目标创建摘要报告目标。 PeopleXploit使用作者身份分析对人员进行分析,并找到最匹配的猜测。而且,执行的分析类型(专业/婚姻/犯罪实体)会根据用户的要求而变化。

分析COVID-19的社会影响:大流行初期的一项研究

原文标题: Analyzing Societal Impact of COVID-19: A Study During the Early Days of the Pandemic

地址: http://arxiv.org/abs/2010.15674

作者: Swaroop Gowdra Shanthakumar, Anand Seetharam, Arti Ramesh

摘要: 在本文中,我们收集和研究Twitter通讯,以理解大流行初期COVID-19在美国的社会影响。随着感染迅速飙升,用户上了Twitter,要求人们自我隔离并隔离。用户还要求关闭学校,酒吧和餐馆,以及封锁城市和州。我们通过识别和跟踪与COVID相关的流行标签来有条不紊地收集推文。我们首先将标签分为6个主要类别,分别是:1)一般COVID,2)隔离,3)紧急购买,4)学校停课,5)锁定和6)挫折与希望,然后研究标签的时间演变这些主题标签中的推文。我们对所有主题标签组所共有且特定于每个主题标签组的词语进行语言分析,并确定大流行席卷全国的人们的主要关切(例如,探索坐浴盆替代卫生纸)。我们进行了情绪分析,我们的调查表明,人们对学校停课有积极反应,而对因抢购而导致的必需品供应不足则有负面反应。我们采用最先进的语义角色标记方法来识别动作词,然后利用基于LSTM的依存关系解析模型来分析动作词的上下文(例如,动词处理伴随着焦虑,重音等名词)和危机)。最后,我们开发了一种可扩展的种子主题建模方法,以自动将推文分类和隔离为主题标签组,并通过实验验证了我们的主题模型提供了与手动分组类似的分组。我们的研究提供了一种系统的方式来构建人们对大流行病反应的总体情况,并为将来进行细粒度的语言和行为分析奠定了基础。

行为和信息流的随机性对组织中的意见形成重要吗?

原文标题: Are randomness of behavior and information flow important to opinion forming in organization?

地址: http://arxiv.org/abs/2010.15736

作者: Agnieszka Kowalska-Styczeń (SUT), Krzysztof Malarz (AGH-UST)

摘要: 我们研究行为的随机性和主体之间的信息流如何影响观点的形成。我们的主要研究涉及观点演变,观点集群形成和研究维持观点可能性的过程。结果表明,意见形成(意见的聚集)受主体之间信息流(最邻近邻居之间的交互)和采纳意见的随机性的影响。

深入机器人漏洞:通过对Twitter上的机器人活动进行为期1年的分析得出的可行见解

原文标题: Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter

地址: http://arxiv.org/abs/2010.15820

作者: Luca Luceri, Felipe Cardoso, Silvia Giordano

摘要: 如今,社交媒体代表了具有说服力的工具,这些工具已逐渐被武器化以影响人们的信仰,散布操纵性叙事以及在各派别之间散布冲突。软件控制的帐户(即漫游器)是与操纵活动相关的主要参与者之一,尤其是在政治背景下。发现机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中,我们对2018年美国中期选举前夕Twitter上的机器人活动进行了长期(一年)分析。我们根据帐户的性质(机器人与人类)和在线讨论中的参与程度来确定不同类别的帐户,并且观察到,活跃的机器人在散布阴谋叙事的过程中起着举足轻重的作用,同时自选举前一年就主导着政治辩论。我们在即将到来的2020年美国总统大选的展望中进行的分析既揭示了人类对机器人的敏感性的令人震惊的发现,也揭示了有助于遏制协调运动的可行见解。

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。本系列在微信公众号“网络科学研究速递”(微信号netsci)和个人博客 https://www.complexly.cn (提供RSS订阅)进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。

上一篇 下一篇

猜你喜欢

热点阅读