使用節(jié)點(diǎn)分裂網(wǎng)絡(luò)推廣引用耦合和共引;使用共享自行車軌跡的人群感應(yīng)增強(qiáng)停車巡邏;社交媒體揭示了中國各地的城鄉(xiāng)壓力差異;偏差檢測的深度學(xué)習(xí)：從開始到部署;城市交通瓶頸的識(shí)別和優(yōu)先排序;LSTM-RPA：一種簡單但有效的音樂流行度預(yù)測長序列預(yù)測算法;任何未來設(shè)備物理的前言;城市系統(tǒng)科學(xué)的一些最新進(jìn)展：模型和數(shù)據(jù);潛空間圖和相變的概率視圖;使用雙曲層次聚類有效表示 Twitter 用戶分類的交互模式;表征和建模交通網(wǎng)絡(luò)和領(lǐng)土的共同演化;新聞和社交媒體中公眾人物的死后記憶;VigDet：用于社交媒體協(xié)調(diào)檢測的知識(shí)神經(jīng)時(shí)間點(diǎn)過程;使用節(jié)點(diǎn)分裂網(wǎng)絡(luò)推廣引用耦合和共引

原文標(biāo)題： Generalization of bibliographic coupling and co-citation using the node split network

地址： http://arxiv.org/abs/2110.15513

作者： Jinhyuk Yun

摘要： 書目耦合 (BC) 和共引 (CC) 是兩種最常見的基于引文的科學(xué)項(xiàng)目之間相似性耦合度量。人們可以將這些度量解釋為由引用方向區(qū)分的二鄰關(guān)系：BC 是兩個(gè)引用項(xiàng)目之間的相似性，而 CC 是兩個(gè)被引項(xiàng)目之間的相似性。之前的一項(xiàng)研究提出了一個(gè)兩層節(jié)點(diǎn)分裂網(wǎng)絡(luò)，可以以計(jì)算效率高的方式模擬耦合度量的集群；然而，缺乏層內(nèi)鏈接使得無法獲得精確的相似性。在這里，我們提出了使用個(gè)性化 PageRank 和神經(jīng)嵌入來估計(jì)節(jié)點(diǎn)分裂網(wǎng)絡(luò)上層內(nèi)相似性的新方法。我們證明所提出的措施與耦合措施密切相關(guān)。此外，我們提出的方法可以在項(xiàng)目之間產(chǎn)生精確的相似性，即使它們彼此相距遙遠(yuǎn)。我們還表明，原始 BC/CC 網(wǎng)絡(luò)中缺少許多具有高相似性的鏈接，這表明必須考慮遠(yuǎn)程相似性。全局和局部邊采樣的比較實(shí)驗(yàn)表明，局部采樣對于節(jié)點(diǎn)分裂網(wǎng)絡(luò)中的兩種相似性都是穩(wěn)定的。該分析為搜索與每個(gè)耦合度量相關(guān)的顯著相關(guān)項(xiàng)的過程提供了寶貴的見解。

使用共享自行車軌跡的人群感應(yīng)增強(qiáng)停車巡邏

原文標(biāo)題： Crowd-sensing Enhanced Parking Patrol using Sharing Bikes’ Trajectories

地址： http://arxiv.org/abs/2110.15557

作者： Tianfu He, Jie Bao, Yexin Li, Hui He, Yu Zheng

摘要： 非法停車是世界主要城市面臨的普遍城市問題，因?yàn)樗鼤?huì)導(dǎo)致交通擁堵，導(dǎo)致空氣污染和交通事故。政府高度依賴積極的人力來檢測非法停車事件。然而，由于警察必須在整個(gè)城市道路上巡邏，因此這種方法對于覆蓋一個(gè)大城市是極其無效的。摩拜單車海量優(yōu)質(zhì)共享單車軌跡為我們提供了一個(gè)獨(dú)特的機(jī)會(huì)來設(shè)計(jì)無處不在的非法停車檢測方法，因?yàn)榇蠖鄶?shù)非法停車事件發(fā)生在路邊，對自行車用戶產(chǎn)生重大影響。檢測結(jié)果可以指導(dǎo)巡邏日程，即將巡邏警察派往違規(guī)停車風(fēng)險(xiǎn)較高的區(qū)域，進(jìn)一步提高巡邏效率。受這個(gè)想法的啟發(fā)，所提出的框架采用了三個(gè)主要組件：1)~em 軌跡預(yù)處理，它過濾離群 GPS 點(diǎn)，執(zhí)行地圖匹配，并構(gòu)建軌跡索引； 2)~em非法停車檢測，對正常軌跡進(jìn)行建模，從評估軌跡中提取特征，并利用基于分布測試的方法發(fā)現(xiàn)非法停車事件；和 3)~em 巡邏調(diào)度，利用檢測結(jié)果作為參考上下文，并將調(diào)度任務(wù)建模為多智能體強(qiáng)化學(xué)習(xí)問題來指導(dǎo)巡邏警察。最后，通過大量實(shí)驗(yàn)來驗(yàn)證非法停車檢測的有效性，以及提高巡邏效率。

社交媒體揭示了中國各地的城鄉(xiāng)壓力差異

原文標(biāo)題： Social Media Reveals Urban-Rural Differences in Stress across China

地址： http://arxiv.org/abs/2110.15726

作者： Jesse Cui, Tingdan Zhang, Dandan Pang, Kokil Jaidka, Garrick Sherman, Vinit Jakhetiya, Lyle Ungar, Sharath Chandra Guntuku

摘要： 對中國城市和農(nóng)村地區(qū)的差異壓力表達(dá)進(jìn)行建?？梢愿玫乩斫獬鞘谢瘜^去二十年經(jīng)濟(jì)快速增長的國家的心理健康的影響。本文使用分層混合效應(yīng)模型研究了來自 329 個(gè)縣的 65,000 多名用戶的微博帖子在中國城鄉(xiāng)壓力體驗(yàn)和表達(dá)方面的語言差異。我們分析了提及壓力的微博帖子中的短語、話題主題和心理語言學(xué)詞匯選擇，以更好地理解中國城鄉(xiāng)社區(qū)對心理壓力的評價(jià)差異；然后我們將它們與蓋洛普的大規(guī)模民意調(diào)查進(jìn)行了比較。在控制社會(huì)經(jīng)濟(jì)和性別差異后，我們發(fā)現(xiàn)農(nóng)村社區(qū)傾向于通過人際關(guān)系、健康和機(jī)會(huì)等情感和個(gè)人主題表達(dá)壓力，而城市地區(qū)的用戶則通過工作、政治等相對、時(shí)間和外部主題表達(dá)壓力，和經(jīng)濟(jì)學(xué)。這些差異的存在超出了 GDP 和城市化的控制，表明農(nóng)村和城市居民在非常特定的環(huán)境中有著根本不同的生活方式，可以說有不同的壓力來源。我們在蓋洛普民意調(diào)查中發(fā)現(xiàn)了城市化在身體、財(cái)務(wù)和社會(huì)健康方面的佐證趨勢。

偏差檢測的深度學(xué)習(xí)：從開始到部署

原文標(biāo)題： Deep Learning for Bias Detection: From Inception to Deployment

地址： http://arxiv.org/abs/2110.15728

作者： Md Abul Bashar, Richi Nayak, Anjor Kothare, Vishal Sharma, Kesavan Kandadai

摘要： 為了創(chuàng)造一個(gè)更具包容性的工作場所，企業(yè)正在積極投資以識(shí)別和消除其各種職能中的無意識(shí)偏見（例如，性別、種族、年齡、殘疾、精英主義和宗教）。我們提出了一種具有基于遷移學(xué)習(xí)的語言模型的深度學(xué)習(xí)模型，以從手動(dòng)標(biāo)記的文檔中學(xué)習(xí)，以自動(dòng)識(shí)別企業(yè)內(nèi)容中的偏差。我們首先使用維基百科預(yù)訓(xùn)練基于深度學(xué)習(xí)的語言模型，然后使用與各種類型的企業(yè)內(nèi)容相關(guān)的大型未標(biāo)記數(shù)據(jù)集對模型進(jìn)行微調(diào)。最后，在語言模型的末尾添加一個(gè)線性層，然后是 softmax 層，并在由企業(yè)內(nèi)容組成的標(biāo)記偏差數(shù)據(jù)集上訓(xùn)練模型。經(jīng)過訓(xùn)練的模型在獨(dú)立數(shù)據(jù)集上進(jìn)行了全面評估，以確保通用應(yīng)用。我們在實(shí)際應(yīng)用中展示了所提出的方法及其部署細(xì)節(jié)。

城市交通瓶頸的識(shí)別和優(yōu)先排序

原文標(biāo)題： Identification and prioritization of urban traffic bottlenecks

地址： http://arxiv.org/abs/2110.15740

作者： Nimrod Serok, Shlomo Havlin, Efrat Blumenfeld Lieberthal

摘要： 在過去的幾十年里，我們目睹了城市化進(jìn)程的加快，伴隨著世界各地城市交通擁堵的顯著增加。擁堵的影響體現(xiàn)在人們在道路上花費(fèi)的大量時(shí)間導(dǎo)致大量金錢浪費(fèi)和空氣污染。在這里，我們提出了一種新的方法來識(shí)別、成本評估，從而對擁塞源和擁塞瓶頸進(jìn)行優(yōu)先排序。它擴(kuò)展了現(xiàn)有方法，因?yàn)樗谡麄€(gè)路網(wǎng)的網(wǎng)絡(luò)分析，可以應(yīng)用于不同的交通模型。我們的結(jié)果表明，由交通瓶頸的尺度特征呈現(xiàn)的宏觀穩(wěn)定性掩蓋了細(xì)觀動(dòng)力學(xué)的存在，其中瓶頸在時(shí)間和空間上改變了它們的位置。這意味著要規(guī)劃和管理不同地點(diǎn)和不同時(shí)間的交通擁堵，需要實(shí)施一個(gè)框架，如此處開發(fā)的那樣，跟蹤交通并評估每個(gè)演變瓶頸對整個(gè)道路網(wǎng)絡(luò)的相對影響。

LSTM-RPA：一種簡單但有效的音樂流行度預(yù)測長序列預(yù)測算法

原文標(biāo)題： LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for Music Popularity Prediction

地址： http://arxiv.org/abs/2110.15790

作者： Kun Li, Meng Li, Yanling Li, Min Lin

摘要： 有關(guān)音樂歷史的大數(shù)據(jù)包含有關(guān)時(shí)間和用戶行為的信息。研究人員可以通過分析這些數(shù)據(jù)準(zhǔn)確預(yù)測流行歌曲的趨勢。傳統(tǒng)的趨勢預(yù)測模型比長趨勢能更好地預(yù)測短趨勢。在本文中，我們提出了改進(jìn)的 LSTM 滾動(dòng)預(yù)測算法（LSTM-RPA），它將 LSTM 歷史輸入與當(dāng)前預(yù)測結(jié)果結(jié)合作為模型輸入，用于下次預(yù)測。同時(shí)，該算法將長趨勢預(yù)測任務(wù)轉(zhuǎn)換為多個(gè)短趨勢預(yù)測任務(wù)。評測結(jié)果表明，LSTM-RPA模型與LSTM、BiLSTM、GRU和RNN相比，F(xiàn) score分別提高了13.03%、16.74%、11.91%、18.52%。并且我們的方法在 F 分?jǐn)?shù)上優(yōu)于傳統(tǒng)序列模型，即 ARIMA 和 SMA，分別提高了 10.67% 和 3.43%。代碼：https://github.com/maliaosaide/lstm-rpa

任何未來設(shè)備物理的前言

原文標(biāo)題： Prolegomena To Any Future Device Physics

地址： http://arxiv.org/abs/2110.15822

作者： Adam L. Friedman, Aubrey T. Hanbicki

摘要： 在過去的 60 年里，傳統(tǒng)計(jì)算平臺(tái)的進(jìn)步是由被稱為摩爾定律的經(jīng)驗(yàn)概念推動(dòng)的。從本質(zhì)上講，摩爾定律是對晶體管密度呈指數(shù)增長的無處不在的描述，作為計(jì)算能力隨時(shí)間的函數(shù)的主體。雖然這一趨勢最初是一個(gè)有趣的觀察結(jié)果，但它已經(jīng)演變成一個(gè)自我實(shí)現(xiàn)的預(yù)言，用于推動(dòng)整個(gè)半導(dǎo)體行業(yè)。支持或反對摩爾定律終結(jié)的論點(diǎn)激增，而不情愿的共識(shí)是摩爾定律將消失。計(jì)算生態(tài)系統(tǒng)許多不同方面的進(jìn)步，包括材料改進(jìn)、設(shè)備設(shè)計(jì)、設(shè)備或電路智能，以及軟件和架構(gòu)創(chuàng)新，一再阻礙了這一趨勢結(jié)束的警告。雖然許多人認(rèn)為摩爾定律即將滅亡是原子長度尺度、量子過程和能源消耗限制強(qiáng)加的最終障礙，但我們認(rèn)為摩爾定律必須因不同的原因被拋棄：文字很重要。即使是那些堅(jiān)決宣布摩爾定律終結(jié)的人，仍然使用摩爾定律的語言。這一概念的內(nèi)在焦點(diǎn)強(qiáng)加了一種抑制革命進(jìn)步的知識(shí)專制。相反，我們建議采用更外向的視角，并建議將語言轉(zhuǎn)變?yōu)槲覀儎?chuàng)造的費(fèi)曼授權(quán)制度。從這個(gè)角度來看，我們概述了繼續(xù)使用摩爾定律的問題以及過渡到新詞典的處方。我們概述了一個(gè)新的、更通用的指標(biāo)，用于確定進(jìn)度并確定各個(gè)利益相關(guān)者在此過程中的作用。

城市系統(tǒng)科學(xué)的一些最新進(jìn)展：模型和數(shù)據(jù)

原文標(biāo)題： Some recent advances in urban system science: models and data

地址： http://arxiv.org/abs/2110.15865

作者： Elsa Arcaute, José Ramasco

摘要： 城市的特點(diǎn)是人口密集，具有不同背景的個(gè)人之間的互動(dòng)潛力很大。它們與幾千年前的新石器時(shí)代革命同時(shí)出現(xiàn)。集聚經(jīng)濟(jì)、創(chuàng)新、社會(huì)和文化進(jìn)步所帶來的優(yōu)勢，使其成為近代人類歷史上的重要里程碑。從科學(xué)的角度來看，城市系統(tǒng)有許多不同的方面需要研究，僅舉幾例可以集中在人口統(tǒng)計(jì)學(xué)和人口演變、流動(dòng)性、經(jīng)濟(jì)產(chǎn)出、土地利用和城市規(guī)劃、家庭可達(dá)性和房地產(chǎn)市場、能源和水消耗、廢物處理、健康、教育、少數(shù)民族融合等。在過去十年中，通信和信息技術(shù)的引入極大地促進(jìn)了有關(guān)這些問題和其他問題的數(shù)據(jù)集的收集，使對城市的定量分析成為可能?？茖W(xué)。所有這些主題在文獻(xiàn)中的許多作品中都有涉及，我們不打算在這里提供系統(tǒng)綜述。相反，我們將僅提供上述一些方面的簡要介紹，可以作為后續(xù)特殊編號的介紹。這種不系統(tǒng)的觀點(diǎn)會(huì)導(dǎo)致我們將許多相關(guān)論文排除在外，對此我們深表歉意。

潛空間圖和相變的概率視圖

原文標(biāo)題： A probabilistic view of latent space graphs and phase transitions

地址： http://arxiv.org/abs/2110.15886

作者： Suqi Liu, Miklos Z. Racz

摘要： 我們研究具有潛在幾何結(jié)構(gòu)的隨機(jī)圖，其中每條邊的概率取決于對應(yīng)于兩個(gè)端點(diǎn)的潛在隨機(jī)位置。我們關(guān)注這個(gè)條件概率是兩個(gè)向量內(nèi)積的一般單調(diào)遞增函數(shù)的設(shè)置；這樣的函數(shù)自然可以看作是某個(gè)獨(dú)立隨機(jī)變量的累積分布函數(shù)。我們考慮一個(gè)單參數(shù)隨機(jī)圖族，其特征是該隨機(jī)變量的方差，它在隨機(jī)點(diǎn)積圖和 ErdHos—R’enyi 隨機(jī)圖之間平滑插值。我們證明了在這些圖中檢測幾何的相變，根據(jù)基礎(chǔ)幾何空間的維數(shù)和條件概率的方差參數(shù)。當(dāng)維數(shù)高或方差大時(shí)，該圖類似于一個(gè)邊密度相同但不具備幾何形狀的ErdHos—R’enyi圖；在其他參數(shù)機(jī)制中，有一個(gè)計(jì)算效率高的帶符號三角形統(tǒng)計(jì)量來區(qū)分它們。這些證明利用了信息論的不等式和測量現(xiàn)象的集中。

使用雙曲層次聚類有效表示 Twitter 用戶分類的交互模式

原文標(biāo)題： Efficient Representation of Interaction Patterns with Hyperbolic Hierarchical Clustering for Classification of Users on Twitter

地址： http://arxiv.org/abs/2110.15923

作者： Tanvi Karandikar, Avinash Prabhu, Avinash Tulasi, Arun Balaji Buduru, Ponnurangam Kumaraguru

摘要： 社交媒體平臺(tái)在民主進(jìn)程中發(fā)揮著重要作用。在 2019 年印度大選期間，政黨和政界人士廣泛使用 Twitter 來分享他們的理想、宣傳他們的議程并獲得人氣。 Twitter 是記者、政治家和選民互動(dòng)的場所。這些互動(dòng)的有機(jī)性質(zhì)可能會(huì)被 Twitter 上的惡意帳戶所顛覆，這些帳戶最終會(huì)被暫?；驈钠脚_(tái)上刪除。此類帳戶旨在通過與特定句柄進(jìn)行無機(jī)交互來修改內(nèi)容的范圍。這是對平臺(tái)完整性的威脅，因?yàn)榇祟惢顒?dòng)有可能影響民主進(jìn)程的整個(gè)結(jié)果。在這項(xiàng)工作中，我們設(shè)計(jì)了一個(gè)特征提取框架，可以緊湊地刻畫潛在的潛在交互模式。這些功能旨在在致力于提升特定帳戶內(nèi)容的用戶之間建立社區(qū)。我們使用雙曲層次聚類（HypHC）來表示雙曲流形中的特征來進(jìn)一步分離這些社區(qū)。 HypHC 提供了在低維空間中表示這些特征的額外好處——因此作為一種降維技術(shù)。我們使用這些特征來區(qū)分 2019 年印度大選之后出現(xiàn)的不同類別的用戶。在選舉期間活躍在 Twitter 上的用戶中，2.8% 的參與用戶被暫停，1% 的用戶被從平臺(tái)上刪除。我們證明了我們提出的特征在區(qū)分普通用戶（既未暫停也未刪除的用戶）、暫停用戶和已刪除用戶方面的有效性。通過在我們的管道中利用 HypHC，我們獲得了高達(dá) 93% 的 F1 分?jǐn)?shù)。

表征和建模交通網(wǎng)絡(luò)和領(lǐng)土的共同演化

原文標(biāo)題： Characterising and modeling the co-evolution of transportation networks and territories

地址： http://arxiv.org/abs/2110.15950

作者： Juste Raimbault

摘要： 確定交通基礎(chǔ)設(shè)施對領(lǐng)土動(dòng)態(tài)的結(jié)構(gòu)效應(yīng)仍然是一個(gè)開放的研究問題。這個(gè)問題是關(guān)于領(lǐng)土動(dòng)態(tài)復(fù)雜性的方法的一個(gè)方面，領(lǐng)土和網(wǎng)絡(luò)將在其中共同發(fā)展。本論文的目的是通過將網(wǎng)絡(luò)和領(lǐng)土之間的相互作用整合到領(lǐng)土系統(tǒng)的模擬模型中，在概念和經(jīng)驗(yàn)層面挑戰(zhàn)這種關(guān)于網(wǎng)絡(luò)和領(lǐng)土之間相互作用的觀點(diǎn)。

新聞和社交媒體中公眾人物的死后記憶

原文標(biāo)題： Postmortem memory of public figures in news and social media

地址： http://arxiv.org/abs/2103.15497

作者： Robert West, Jure Leskovec, Christopher Potts

摘要： 人們常說已故的公眾人物活在集體記憶中。我們通過跟蹤死亡前后一年在英語在線新聞和社交媒體 (Twitter) 中提及 2,362 位公眾人物來量化這種現(xiàn)象。我們測量死亡后注意力的急劇上升和快速衰減，并將集體記憶建模為交流和文化記憶的組成。聚類揭示了死后記憶的四種模式，回歸分析表明，媒體關(guān)注度的提升對于在年輕時(shí)非自然死亡的死前流行英語國家來說是最大的；領(lǐng)導(dǎo)者的長期推動(dòng)力最小，而藝術(shù)家的收益最大；而且，雖然新聞和 Twitter 都是由年輕人和非自然死亡引發(fā)的，但當(dāng)老年人或領(lǐng)導(dǎo)者去世時(shí)，新聞還策劃了集體記憶?？傮w而言，我們闡明了社會(huì)記住誰的古老問題，以及新聞和社交媒體在集體記憶形成中的獨(dú)特作用。

VigDet：用于社交媒體協(xié)調(diào)檢測的知識(shí)神經(jīng)時(shí)間點(diǎn)過程

原文標(biāo)題： VigDet: Knowledge Informed Neural Temporal Point Process for Coordination Detection on Social Media

地址： http://arxiv.org/abs/2110.15454

作者： Yizhou Zhang, Karishma Sharma, Yan Liu

摘要： 近年來，越來越多地使用社交媒體上的協(xié)調(diào)賬戶，通過錯(cuò)誤信息活動(dòng)來影響公眾輿論和操縱社會(huì)結(jié)果。因此，迫切需要開發(fā)一種有效的方法來協(xié)調(diào)群體檢測，以打擊社交媒體上的錯(cuò)誤信息。然而，現(xiàn)有作品存在各種缺點(diǎn)，例如，由于極度依賴預(yù)定義的協(xié)調(diào)簽名而導(dǎo)致性能有限，或者無法利用有用的先驗(yàn)領(lǐng)域知識(shí)解決社交媒體上帳戶活動(dòng)的自然稀疏問題。因此，在本文中，我們提出了一種協(xié)調(diào)檢測框架，將神經(jīng)時(shí)間點(diǎn)過程與先驗(yàn)知識(shí)（如時(shí)間邏輯或預(yù)定義的過濾函數(shù)）結(jié)合起來。具體來說，當(dāng)使用神經(jīng)時(shí)間點(diǎn)過程對來自社交媒體的觀察數(shù)據(jù)進(jìn)行建模時(shí)，我們根據(jù)分配與 (1) 帳戶嵌入空間和 (2) 先驗(yàn)知識(shí)的一致性，共同學(xué)習(xí)組分配的 Gibbs 類分布。為理解決分布難以有效計(jì)算和采樣的挑戰(zhàn)，我們設(shè)計(jì)了一種理論上有保證的變分推理方法來學(xué)習(xí)平均場近似。在真實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，與無監(jiān)督和半監(jiān)督設(shè)置中的 SOTA 模型相比，我們提出的方法的有效性。我們進(jìn)一步將我們的模型應(yīng)用于 COVID-19 疫苗推文數(shù)據(jù)集。檢測結(jié)果表明，在傳播有關(guān) COVID-19 疫苗的錯(cuò)誤信息方面存在可疑的協(xié)調(diào)努力。

聲明：Arxiv文章摘要版權(quán)歸論文原作者所有，機(jī)器翻譯后由本人進(jìn)行校正整理，未經(jīng)同意請勿隨意轉(zhuǎn)載。本系列在公眾號“網(wǎng)絡(luò)科學(xué)研究速遞”（netsci）和個(gè)人博客進(jìn)行同步更新。