社会网络中利润驱动的团队分组;
在线社会网络中的谣言立场分类:最新技术、前景和未来挑战;
你会用你的意见感染我吗?;
通过随机游走学习浏览维基百科;
为什么是仇恨言论?可解释仇恨语音检测的掩蔽基本原理预测;
城市交通;
未来不同:大型预训练语言模型在预测任务中失败;
依赖于上下文的行为在网络中的传播动态;
从信息到肯定:技术产品评论下YouTube评论对回声室效应的调查;
GLINKX:同质和异质图的可扩展统一框架;
验证 SARS-CoV-2 样感染传播的随机模型:机会和限制;
用于建模社交媒体帐户行为的通用语言;
社会网络中利润驱动的团队分组
地址:
摘要: 在本文中,我们研究了社会网络中利润驱动的团队分组问题。我们考虑人们拥有不同技能的环境,并且这些人之间的兼容性由社会网络刻画。此外,还有一系列任务,其中每项任务都需要一组特定的技能,并在完成后产生利润。个人可以作为 emphteams 相互协作以完成一组任务。我们的目标是找到一组团队,使他们能够完成的任务的总利润最大化。任何可行的分组必须满足以下条件:(i)每个团队都具备分配给它的任务所需的所有技能,(ii)属于同一团队的个人在社会上兼容,以及(iii)没有个人超负荷。我们将此称为 textscTeamGrouping 问题。我们分析了这个问题的计算复杂度,然后提出了一种基于线性规划的近似算法来解决它及其变体。尽管我们专注于团队分组,但我们的结果适用于可以表述为覆盖分解问题的广泛优化问题。
在线社会网络中的谣言立场分类:最新技术、前景和未来挑战
地址:
你会用你的意见感染我吗?
地址:
通过随机游走学习浏览维基百科
地址:
为什么是仇恨言论?可解释仇恨语音检测的掩蔽基本原理预测
地址:
城市交通
地址:
未来不同:大型预训练语言模型在预测任务中失败
地址:
摘要: 在对下游监督任务进行微调时,大型预训练语言模型 (LPLM) 已显示出惊人的成功。然而,众所周知,当训练期间使用的数据与推理时使用的数据之间存在分布变化时,它们的性能可能会急剧下降。在本文中,我们关注随时间自然变化的数据分布,并介绍了四个新的 REDDIT 数据集,即 WALLSTREETBETS、ASKSCIENCE、THE DONALD 和 POLITICS 子 reddit。首先,我们凭经验证明,在预测主题分布随时间变化的子 reddit 的未来帖子的受欢迎程度时,LPLM 可以显示平均性能下降约 88%(在最好的情况下!)。然后,我们介绍了一种简单的方法,该方法利用神经变分动态主题模型和注意力机制来推断回归任务的时间语言模型表示。在预测未来帖子的受欢迎程度时,我们的模型在最坏情况下仅显示性能下降约 40%(在最佳情况下为 2%),而仅使用 LPLM 参数总数的约 7% 并提供可解释的表示洞察现实世界的事件,例如 2021 年的 GameStop 短暂挤压
依赖于上下文的行为在网络中的传播动态
地址:
从信息到肯定:技术产品评论下YouTube评论对回声室效应的调查
地址:
摘要: 社交媒体可能会创建回声室,通过重复暴露相似的概念来重申用户的信念和观点。虽然回音室的形成和影响已经在 Twitter、Facebook 和 Reddit 等基于线程的平台上进行了深入研究,但我们将注意力转移到 YouTube 上的产品评论讨论上。本文通过定量内容分析 (QCA) 和情绪分析 (SA) 的组合方法在选定的选定 YouTube 视频 (n=10) 下检查 YouTube 评论 (n=2500)。我们通过强调与评论论证和情绪相关的回声室效应的形成来结束本文。
GLINKX:同质和异质图的可扩展统一框架
地址:
摘要: 在图学习中,关于受图启发的架构存在两个主要的归纳偏差:一方面,高阶交互和消息传递在同质图上运行良好,并被 GCN 和 GAT 所利用。然而,这样的架构不能轻易地扩展到大型现实世界图。另一方面,使用自我特征和邻接嵌入的浅层(或节点级)模型在异质图中运行良好。在这项工作中,我们提出了一种新颖的可扩展浅层方法——GLINKX——它可以在同质图和异质图上工作。 GLINKX 利用 (i) 新颖的单一标签传播,(ii) 自我/节点特征,(iii) 知识图嵌入作为位置嵌入,(iv) 节点级训练,以及 (v) 低维消息传递。形式上,我们证明了新的错误界限并证明了 GLINKX 的组件是正确的。在实验上,我们展示了它在几个同质和异质数据集上的有效性。
验证 SARS-CoV-2 样感染传播的随机模型:机会和限制
地址:
用于建模社交媒体帐户行为的通用语言
地址:
摘要: 恶意行为者利用社交媒体抬高股价、影响选举、传播错误信息和挑拨离间。为此,他们采用了包括使用不真实帐户和活动在内的策略。目前检测这些滥用行为的方法依赖于专门针对可疑行为而设计的功能。然而,这些方法的有效性会随着恶意行为的发展而衰减。为了应对这一挑战,我们提出了一种用于建模社交媒体帐户行为的通用语言。这种语言中的单词称为 BLOC,由代表用户操作和内容的不同字母表中的符号组成。该语言高度灵活,无需大量微调即可用于对广泛的合法和可疑在线行为进行建模。使用 BLOC 来表示 Twitter 帐户的行为,我们在检测社交机器人和协调的不真实行为方面实现了与最先进的方法相当或更好的性能。