原文标题： Confirmation Bias in Social Networks
地址： http://arxiv.org/abs/2207.12594
作者： Marcos Fernandes
摘要： 我提出了一个理论社会学习模型来研究当主体通过社会网络交换信息时确认偏差如何影响意见。为此，除了与朋友交换意见外，个人还会观察到一系列可能含糊的公共信号，并根据确认偏差的规则对其进行解释。我首先表明，无论歧义程度如何，无论是在单个个人还是在网络社会的情况下，都可能只形成两种类型的意见，并且两者都是有偏见的。然而，根据世界状况，一种观点类型的偏见必然比另一种观点类型少。两种偏差的大小取决于模糊程度以及状态和确认偏差的相对大小。在这种情况下，即使个人不偏不倚地解释歧义，也无法实现长期学习。最后，由于当个人通过社会网络连接并具有不同的先验时，分析确定出现较少偏见共识的概率并非易事，因此我使用模拟来分析其决定因素。该练习得出的三个主要结果是，在预期方面，i）一些网络拓扑更有利于共识效率，ii）即使在确认偏差下，某种程度的党派偏见也能提高共识效率，iii）思想开放，即当党派同意时与其他信仰截然相反的党派交换意见，在某些情况下可能会损害效率。
原文标题： Quantitatively visualizing bipartite datasets
地址： http://arxiv.org/abs/2207.12658
作者： Tal Einav, Yuehaw Khoo, Amit Singer
摘要： 随着实验规模和范围的不断扩大，后续分析的一个基本挑战是将丰富的信息重新转换为直观且易于解释的形式。通常，每个测量只传达一对条目之间的关系，并且很难将这些本地交互整合到一个数据集中以形成一个有凝聚力的全局图。经典的定位问题解决了这个问题，将局部测量转换为揭示系统底层结构的全局地图。在这里，我们研究了更具挑战性的二分定位问题，其中成对距离仅适用于包含两类条目（例如抗体-病毒相互作用、药物-细胞效力或用户评级概况）的二分数据。我们修改了以前的算法来解决二分定位问题，并检查每种方法在存在噪声、异常值和部分观察数据的情况下如何表现。作为概念验证，我们将这些算法应用于抗体-病毒中和测量，以创建一组基础的抗体行为，正式确定有效抑制某些病毒需要弱抑制其他病毒的程度，并量化抗体组合表现出退化行为的频率。
原文标题： “This is Fake News”: Characterizing the Spontaneous Debunking from Twitter Users to COVID-19 False Information
地址： http://arxiv.org/abs/2203.14242
作者： Kunihiro Miyazaki, Takayuki Uchiba, Kenji Tanaka, Jisun An, Haewoon Kwak, Kazutoshi Sasahara
摘要： 虚假信息在社交媒体上传播，事实核查是一种潜在的对策。然而，事实核查人员严重短缺；迫切需要一种有效的方式来扩大事实核查，尤其是在像 COVID-19 这样的流行病中。在这项研究中，我们专注于社交媒体用户的自发揭穿，尽管它在事实核查和打击虚假信息方面表明有用，但在现有研究中被遗漏了。具体来说，我们用虚假信息或虚假推文来描述推文，这些推文往往会被揭穿，以及经常揭穿虚假推文的 Twitter 用户。对于此分析，我们创建了一个综合数据集，其中包含对虚假推文的响应，注释其中的一个子集，并建立一个分类模型来检测揭穿行为。我们发现大多数虚假推文都没有被揭穿，自发揭穿比其他形式的回应慢，并且自发揭穿在政治话题上表现出党派偏见。这些结果为利用自发揭穿来扩展传统事实检查提供了可行的见解，从而从新的角度补充了现有的研究。
原文标题： Folk Models of Misinformation on Social Media
地址： http://arxiv.org/abs/2207.12589
作者： Filipo Sharevski, Amy Devine, Emma Pieroni, Peter Jachim
摘要： 在本文中，我们通过对 235 名社交媒体用户的样本进行半结构化访谈，调查了存在哪些错误信息的民间模型。处理社交媒体错误信息的工作并未调查普通用户（错误信息的目标）如何处理它；相反，重点主要放在错误信息造成的焦虑、紧张或分裂上。研究创造、传播和放大的各个方面也忽略了错误信息是如何被社交媒体上的用户内化的，因此很快就为假定缺乏对错误信息的免疫力制定了“接种”策略。用户如何应对社交媒体内容以发展“自然免疫力”作为错误信息复原力的前兆，这仍然是一个悬而未决的问题。我们已经确定了至少五种将错误信息概念化的民间模型：政治（反）争论、断章取义的叙述、固有的错误信息、外部宣传或仅仅是娱乐。我们使用这些民间模型中包含的丰富概念来揭示社交媒体用户如何最大限度地减少对日常生活中遇到的错误信息的不良反应。
原文标题： Multi-cell Content Caching: Optimization for Cost and Information Freshness
地址： http://arxiv.org/abs/2207.12790
作者： Zhanwei Yu, Tao Deng, Yi Zhao, Di Yuan
摘要： 在多访问边计算（MEC）系统中，有多个本地缓存服务器缓存内容以满足用户的请求，而不是让用户通过远程云服务器下载。在本文中，考虑了 MEC 系统中的多小区内容调度问题 (MCSP)。综合考虑缓存内容的新鲜度和流量数据成本，我们研究了如何在多单元设置中随时间安排内容更新。与单单元场景不同，一个用户可能有多个候选本地缓存服务器，因此必须联合优化所有单元中的缓存决策。我们首先证明 MCSP 是 NP-hard 的，然后我们使用整数线性规划制定 MCSP，通过它可以获得小规模实例的最优调度。对于大型场景的问题解决，通过数学重构，我们推导出基于重复列生成的可扩展优化算法。我们的性能评估显示了所提出的算法与现成的商业求解器和基于流行度的缓存相比的有效性。
原文标题： Finding Maximum Cliques in Large Networks
地址： http://arxiv.org/abs/2207.13010
作者： S.Y. Chan, K. Morgan, J. Ugon
摘要： 有许多方法可以在大型网络中找到最大（或最大）团。由于组合学的性质，随着图中顶点数量的增加，计算变得指数级地昂贵。因此，需要有效的算法来找到最大团。在本文中，我们提出了一种图约简方法，该方法显著降低了图的阶数，因此能够识别大阶图中的最大团，否则将无法通过计算找到最大值。我们使用这种减少找到最大（或最大）集团的界限。我们在现实生活中的社会网络以及 Erd”os-Renyi 随机图上展示了我们的方法。
原文标题： Modeling the Social Influence of COVID-19 via Personalized Propagation with Deep Learning
地址： http://arxiv.org/abs/2207.13016
作者： Yufei Liu, Jie Cao, Dechang Pi
摘要： 社会影响力预测已经渗透到许多领域，包括营销、行为预测、推荐系统等。然而，预测社会影响力的传统方法不仅需要领域专业知识，还依赖于提取用户特征，这可能非常繁琐。此外，处理非欧几里得空间中的图数据的图卷积网络（GCN）并不直接适用于欧几里得空间。为了克服这些问题，我们扩展了 DeepInf，使其可以通过页面排名域的转移概率来预测 COVID-19 的社会影响。此外，我们的实现产生了一种基于深度学习的个性化传播算法，称为 DeepPP。所得算法将神经预测模型的个性化传播与来自页面排名分析的神经预测模型的近似个性化传播相结合。来自不同领域的四个社会网络以及两个 COVID-19 数据集被用来证明所提出算法的效率和有效性。与其他基线方法相比，DeepPP 提供了更准确的社会影响力预测。此外，实验表明 DeepPP 可以应用于 COVID-19 的真实世界预测数据。
原文标题： Contextualizing Online Conversational Networks
地址： http://arxiv.org/abs/2207.13055
作者： Thomas Magelinski, Kathleen M. Carley
摘要： 在线社交联系发生在特定的对话环境中。社交媒体数据网络分析的先前工作试图通过过滤将数据上下文化。我们提出了一种自动将在线对话连接上下文化的方法，并用 Twitter 数据说明了这种方法。具体来说，我们详细介绍了一个图神经网络模型，该模型能够根据推文的文本、主题标签、URL 和相邻推文在向量空间中表示推文。一旦表示推文，推文集群就会发现对话上下文。我们将我们的方法应用于包含 450 万条讨论 2020 年美国大选的推文的数据集。我们发现，即使是过滤后的数据也包含许多不同的会话上下文，用户参与多个上下文。情境化网络中的中心用户与整个网络中的中心用户显著不同。这一结果意味着，面对多个会话上下文，对社交媒体数据的标准网络分析可能是不可靠的。我们进一步证明了对话上下文的动态分析可以对对话流进行定性的理解。
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。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。
| 留言与评论（共有 0 条评论） “” |
