Arxiv網路科學論文摘要3篇(2018-12-07)

從含時相互作用中學習動態嵌入;
氣候異常與空氣污染：碳排放和異常網路;
分析Twitter上的仇恨和反對言論賬號;

從含時相互作用中學習動態嵌入

原文標題： Learning Dynamic Embeddings from Temporal Interactions

地址： http://arxiv.org/abs/1812.02289

作者： Srijan Kumar, Xikun Zhang, Jure Leskovec

摘要：在諸如電子商務，社會網路和教育之類的領域中建模用戶和項目（例如，產品，帖子或課程）之間的一系列交互是至關重要的，以預測未來的交互。表示學習提供了一種有吸引力的解決方案來模擬用戶和項目屬性的動態演變，其中每個用戶/項目可以嵌入歐幾里德空間，並且其演化可以通過嵌入的動態變化來建模。但是，現有的嵌入方法要麼生成靜態嵌入，要麼獨立地處理用戶和項目，要麼不可擴展。在這裡，我們介紹JODIE，一個耦合的循環模型，共同學慣用戶和項目交互序列中的用戶和項目的動態嵌入。 JODIE有三個組成部分。首先，更新組件使用它們先前的嵌入與兩個相互遞歸的遞歸神經網路來更新來自每次交互的用戶和項目嵌入。其次，訓練新穎的投影組件以預測用戶在任何未來時間的嵌入。最後，預測組件直接預測項目在未來交互中的嵌入。對於從一系列交互中學習的模型，由於複雜的用戶 - 用戶依賴性，傳統的訓練數據批處理無法完成。因此，我們提出了一種名為t-Batch的新型批處理演算法，該演算法可以生成時間一致的批量訓練數據，這些數據可以並行運行，從而實現大規模的加速。我們使用四個真實數據集對兩個預測任務進行了六次實驗 - 未來交互預測和狀態變化預測。我們證明JODIE在這些任務中的表現優於六種最先進的演算法，最高可達22.4％。此外，我們表明JODIE具有高度可擴展性，比同類型號快9.2倍。作為一個額外的實驗，我們說明JODIE可以提前預測學生輟學五門課程。

氣候異常與空氣污染：碳排放和異常網路

原文標題： Climate Anomalies vs Air Pollution: Carbon Emissions and Anomaly Networks

地址： http://arxiv.org/abs/1812.02634

作者： Anshul Goyal, Kartikeya Bhardwaj, Radu Marculescu

摘要：該項目旨在通過尋找碳排放，地表溫度異常和高海拔風速異常之間的時間和地理相關性，闡明人為碳排放如何影響全球風力模式。我們使用基於網路的方法和1950年至2010年的每日數據來模擬和繪製全球不同地區之間的相關性。

分析Twitter上的仇恨和反對言論賬號

原文標題： Analyzing the hate and counter speech accounts on Twitter

地址： http://arxiv.org/abs/1812.02712

作者： Binny Mathew, Navish Kumar, Ravina, Pawan Goyal, Animesh Mukherjee

摘要：網上仇恨言論激增，一些組織和國家實施法律禁止此類有害言論。雖然這些限制可能會減少這種仇恨內容的數量，但它通過限制自由發言來實現。因此，一些有組織支持的有希望的替代方案是用更多的言論來對抗這種仇恨言論。在本文中，我們在Twitter上分析仇恨言論和相應的反對言論（又名反對派）。我們對這些用戶帳戶進行了幾種辭彙，語言和心理語言學分析，並且正面反對者根據目標社區採用多種策略。仇恨賬戶表達了更多的負面情緒，更褻瀆。我們還發現，與未經驗證的帳戶的推文相比，經過驗證的帳戶的仇恨推文具有更大的病毒性。雖然討厭的用戶似乎更多地使用關於嫉妒，仇恨，負面情緒，咒罵術語，醜陋的詞語，但是反擊用戶使用更多與政府，法律，領導者相關的辭彙。我們還建立了一個監督模型，用於在Twitter上對仇恨和反向帳戶進行分類，並獲得0.77的F分數。我們還公開我們的數據集，以幫助推進仇恨言論的研究。