Arxiv網路科學論文摘要9篇

對話失控：發現對話失敗的早期跡象;

O.D.E.S.：基於CMS WordPress插件的在線動態檢查系統;

MIMiS：對智能手機用戶行為的最小侵入性挖掘;

Crowdbreaks：使用公共社交媒體數據和眾包追蹤健康趨勢;

用機器學習預測Facebook帖子的指標;

社會複雜性、經濟物理學和社會物理學研究國際中心的提案;

新辭彙約定談判中複雜性的減少;

整個醫院的接觸流;

社會網路中的樸素貝葉斯學習;

對話失控：發現對話失敗的早期跡象

原文標題： Conversations Gone Awry: Detecting Early Signs of Conversational Failure

地址： http://arxiv.org/abs/1805.05345

作者： Justine Zhang, Jonathan P. Chang, Cristian Danescu-Niculescu-Mizil, Lucas Dixon, Yiqing Hua, Nithum Thain, Dario Taraborelli

摘要： 在線社交系統面臨的主要挑戰之一是反社會行為的普遍存在，比如騷擾和人身攻擊。在這項工作中，我們介紹了從談話一開始就預測它是否會失控的任務。與在事後檢測到不良行為相反，此任務旨在在對話仍可挽救的時候啟用早期的可操作預測。為此，我們開發了一個捕捉務實策略的框架 - 如禮貌策略和修辭提示 - 用於開始對話，並分析它們與未來軌跡的關係。在受控環境下應用此框架，我們證明了在線討論中檢測反社會行為早期預警信號的可行性。

O.D.E.S.：基於CMS WordPress插件的在線動態檢查系統

原文標題： O.D.E.S. : An Online Dynamic Examination System based on a CMS WordPress plugin

地址： http://arxiv.org/abs/1805.05426

作者： George F. Fragulis, Lazaros Lazaridis, Maria Papatsimouli, Ioannis A. Skordas

摘要： 本文描述了根據開源軟體原理開發的名為O.D.E.S.的在線動態檢查應用程序插件，其中使用CMS WordPress作為程序員/編碼人員具有從頭安全開發應用程序的潛力。 ODES應用程序中存在兩種類型的用戶：admin / teacher和student。管理員/教師可以創建/編輯/刪除/查看問題，問題類別和試卷。這些問題分為兩類，多選題（包括真/假）和長答題（散文）。教師可以創建考試，選擇問題數量以及先前創建的問題池中存在的問題類型。選擇由應用程序隨機完成，教師只需確定多選或長答題的總數以及每個答案的重要性（權重）（包括負數等級）。學生參加隨機生成的考試並獲得他/她的成績。多項選擇題的等級是自動完成的，而對於長期回答問題，教師有責任對其進行評分。完成考試後，教師可以通過控制面板或報告查看學生的最終成績。

MIMiS：對智能手機用戶行為的最小侵入性挖掘

原文標題： MIMiS: Minimally Intrusive Mining of Smartphone User Behaviors

地址： http://arxiv.org/abs/1805.05476

作者： Pravallika Devineni, Evangelos E. Papalexakis, Kalina Michalska, Michalis Faloutsos

摘要： 真正需要拯救生命的用戶監控應用程序有多干擾？雖然大多數以前的研究都集中在分析社交媒體和智能手機用戶的心理狀態，但在這些分析中很少保護用戶隱私。分析用戶行為的挑戰在於，數據不僅具有多種用戶活動的多維度，而且這些活動以不同的時間速率發生。我們工作的首要問題是：給定一組敏感用戶特徵，將具有類似行為的用戶分組所需的最小信息量是多少？此外，這種用戶行為與他們的精神狀態有關嗎？為了回答這些問題，我們的貢獻有兩個方面：我們引入了隱私表面的概念，它將不同級別的侵入性敏感用戶數據結合起來。作為我們的第二個貢獻，我們引入了MIMiS，這是一個無監督的隱私感知框架，它將給定隱私表面配置中的用戶關於它們的時間簽名集合到同質群組中。此外，我們還探討了侵入性和預測準確性之間的權衡。 MIMiS採用多集分解來處理用戶活動中不兼容的時間粒度。我們廣泛評估真實數據的MIMiS。在各種隱私表面上，MIMiS確定了關於自我報告的心理健康得分高度同質的群體。最後，我們對已發現的集群進行深入探索，確定其行為符合學術期限的團體。

Crowdbreaks：使用公共社交媒體數據和眾包追蹤健康趨勢

原文標題： Crowdbreaks: Tracking Health Trends using Public Social Media Data and Crowdsourcing

地址： http://arxiv.org/abs/1805.05491

作者： Martin Mueller, Marcel Salathé

摘要： 在過去的十年中，由於世界各地大量採用社交媒體的強大組合，以及越來越強大的硬體和軟體，使我們能夠與這些新的大數據流合作，使用社交媒體數據跟蹤健康趨勢顯示出巨大的前景。同時，確定了許多具有挑戰性的問題。首先，在線數據的快速變化速度和演算法更新速度之間通常存在不匹配，這意味著隨著時間的推移，過去數據的訓練演算法的可重用性有限。其次，儘管公共衛生機構需要靈活的工具來實時評估多種演變情況，但大部分工作都集中在過去某個具體問題上。第三，提供此類功能的大多數工具都是私有系統，演算法或數據透明度很小，因此很少從全球公共衛生和研究界購買。在這裡，我們介紹Crowdbreaks，這是一個開放的平台，通過利用公共社交媒體內容的連續眾包標籤來追蹤健康趨勢。該系統的構建方式是將機器學習分類器的數據收集，過濾，標記和培訓等典型工作流程自動化，因此可以大大加快公共衛生領域的研究進程。本工作介紹該平台的技術方面並探討其未來的使用案例。

用機器學習預測Facebook帖子的指標

原文標題： Prediction of Facebook Post Metrics using Machine Learning

地址： http://arxiv.org/abs/1805.05579

作者： Emmanuel Sam, Sergey Yarushev, Sebastián Basterrech, Alexey Averkin

摘要： 在這篇簡短的論文中，我們評估了三種著名的機器學習技術的性能，用於預測Facebook中的帖子的影響。社交媒體對社交行為有巨大影響。因此，開發一個預測社交媒體中的帖子影響的自動模型可能對社會有用。在本文中，我們分析了支持向量回歸（SVR），回聲狀態網路（ESN）和自適應網路模糊注入系統（ANFIS）三種流行技術對後期影響的預測效率。評估是通過一個公共和眾所周知的基準數據集完成的。

社會複雜性、經濟物理學和社會物理學研究國際中心的提案

原文標題： International Center for Social Complexity, Econophysics & Sociophysics Studies: A Proposal

地址： http://arxiv.org/abs/1805.05586

作者： Bikas K. Chakrabarti

摘要： 2017年11月15日至18日在Jawharlal Nehru大學和德里大學召開的聯合國際會議題為Econophys-2017和亞太地區經濟學會議（APEC）-2017的結束會議上，介紹了該提案的簡要說明。參與者收到了幾條熱烈的評論。本說明基於這些討論。

新辭彙約定談判中複雜性的減少

原文標題： Complexity Reduction in the Negotiation of New Lexical Conventions

地址： http://arxiv.org/abs/1805.05631

作者： William Schueller, Vittorio Loreto, Pierre-Yves Oudeyer

摘要： 在集體為人口中的新概念創造新詞的過程中，衝突可能會迅速變成眾多，以同義詞和同名詞的形式出現。記住所有這些可能會花費太多的內存，記住太少可能會減慢整個過程。有沒有一種有效的行為可以幫助平衡兩者？命名博弈是語言出現的多代理計算模型，著重於新辭彙約定的談判，在這種約定中，一個普通的詞典自組織，但經歷了一個高度複雜的階段。以前的工作是通過允許代理商主動選擇他們所談論的內容來控制這個特定模型中的複雜性增長。但是，這些策略依賴於高度依賴於參數微調的特設啟發式。我們在此定義一個新的原則性措施和一個新的策略，基於每個代理人對全球人口狀況的信念。測量不依賴於繁重的計算，並且認知上合理。新策略可以有效控制複雜性增長，同時加快協議流程。此外，我們表明短期記憶足以構建關於全球辭彙的相關信念。

整個醫院的接觸流

原文標題： The Link Stream of Contacts in a Whole Hospital

地址： http://arxiv.org/abs/1805.05752

作者： Lucie Martinet, Christophe Crespelle, Eric Fleury, Pierre-Yves Bo?lle, Didier Guillemot

摘要： 我們在康復醫院的整個人群中分析了6個月內由感測器網路收集的大量非常精確的接觸數據。我們調查了醫院中每天接觸的平均流量的拓撲結構以及這些接觸逐漸演變的時間結構。我們的主要結果是在所考慮的醫院中揭示這兩種結構的顯著特性，並提出一種可用於分析節點分組為組的任何鏈路流的方法。

社會網路中的樸素貝葉斯學習

原文標題： Naive Bayesian Learning in Social Networks

地址： http://arxiv.org/abs/1805.05878

作者： Jerry Anunrojwong, Nat Sothanaphan

摘要： 天真的社交學習DeGroot模型假設代理只傳達標量意見。在實踐中，代理人不僅傳達他們的意見，而且傳達他們對這些意見的信心。我們提出了一個模型，通過將信號信息納入幼稚的社會學習情景來捕捉溝通的這個方面。我們提出的模型捕捉貝葉斯和天真學習的方面。我們模型中的代理人使用貝葉斯規則結合鄰居的信念，但代理人天真地認為他們的鄰居的信念是獨立的。根據最初的信念，我們模型中的代理人可能未達成共識，但我們表明代理人將在初始信念的溫和連續性和有界性假設下達成共識。這個最終的共識可以根據每個代理人的中心性和信號信息性來明確計算，從而可以準確理解聯合效應。我們將理論應用於採用新技術。與Banerjee等人相反。 [2018]，我們表明，有關新技術的信息最初可以在沒有信息損失的緊密集群中進行播種，但前提是代理商可以表達自己的信念。

聲明：Arxiv文章摘要版權歸論文原作者所有，由本人進行翻譯整理，未經同意請勿隨意轉載。本系列在微信公眾號「網路科學研究速遞」（微信號netsci）和個人博客 https://www.complexly.me （提供RSS訂閱）進行同步更新。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！