量化集体记忆;用于问题路由的基于主题社区的时间专业知识;流动性在安达卢西亚 COVID-19 流行动态中的作用;社区规模与用户迁移：基于意见动态的人口模型;学习动态图，太慢;量化集体记忆原文标题： Quantifying Collective Memories地址： http://arxiv.org/abs/2203.05627作者： Cristian Candia摘要： 集体记忆是一组人共享的过去的共同表示，可以调节其身份。最近关于计算社会科学的文献使用那些记忆的表达来量化集体记忆，这些记忆的表达被操作化为集中在特定文化偶像（人工制品或人）上的集体注意力的数量。我们使用两步衰减过程来模拟集体记忆的时间动态，其特征是短暂而强烈的初始阶段，随后是长期且温和的集体注意力下降。不同的集体记忆机制支持两步过程。第一个是交际记忆，它对应于所有由社交行为支持的记忆。第二个是文化记忆，它对应于通过访问记录而维持的所有记忆。因此，该模型预测了文化记忆克服交流记忆的过渡时间。它具有与缩短或延长特定主题作为社区对话一部分的时间相关的实际后果，即交流记忆，使政策制定者有宝贵的时间来为偶然和公共问题制定解决方案和妥协。用于问题路由的基于主题社区的时间专业知识原文标题： Topic Community Based Temporal Expertise for Question Routing地址： http://arxiv.org/abs/2207.01753作者： Vaibhav Krishna, Vaiva Vasiliauskaite, Nino Antulov-Fantulin摘要： 基于社区的问答网站中的问题路由旨在向最有可能提供“已接受答案”的潜在用户推荐新发布的问题。大多数现有方法根据用户过去的问答行为和新问题的内容来预测用户的专业知识。然而，这些方法在三个方面面临挑战：1）用户过去记录的稀疏性导致缺乏个性化推荐，有时与用户的兴趣或领域专业知识不匹配，2）基于所有问题和答案内容的建模使得周期性更新计算成本高，3) 虽然 CQA 站点是高度动态的，但它们大多被认为是静态的。本文提出了一种新的 QR 方法来解决上述挑战。它基于用户在主题社区上的活动的动态建模。三个真实世界数据集的实验结果表明，所提出的模型显著优于竞争基线模型流动性在安达卢西亚 COVID-19 流行动态中的作用原文标题： The role of mobility in the dynamics of the COVID-19 epidemic in Andalusia地址： http://arxiv.org/abs/2207.01958作者： Z. Rapti, J. Cuevas-Maraver, E. Kontou, S. Liu, Y. Drossinos, P.G. Kevrekidis, G.A. Kevrekidis, M. Barmann, Q.-Y. Chen摘要： 元种群模型一直是研究流行病在人口密集的节点（城市、省、国家）网络上传播的流行工具，并已在持续的 COVID-19 大流行的背景下广泛使用。在目前的工作中，我们重新审视了这样一个模型，并牢记一个特定的案例，即西班牙安达卢西亚地区在 2020 年夏秋期间（即在第一波和第二波大流行之间）的模型。我们的目标是考虑跨省节点合并移动性的可能性，重点是手机时间相关数据，同时讨论我们的案例与引力模型的比较，以及在没有移动性的情况下的动态。我们的主要发现是，移动性是定量理解第二波大流行出现的关键，而捕捉它的最准确方法涉及动态（而不是静态）包含基于手机的时间相关移动性矩阵数据。没有流动性的替代方案无法捕捉本文考虑的元种群模型背景下的数据所揭示的趋势。社区规模与用户迁移：基于意见动态的人口模型原文标题： Community Size and User Migration: Population Model Based on opinion Dynamics地址： http://arxiv.org/abs/2207.02133作者： Ding Fang Yi Kuang, Li Yang摘要： 由于其在推荐系统和社区运营中的重要性，用户迁移已经引起了众多学科的网络人口学专家的兴趣。然而，当代研究经常忽略相关预测技术背后的理论，例如隐马尔可夫模型。本研究通过结合“意见演化”和“个体迁移”两个基本过程，建立了在线用户迁移的机理解释，并将其融合为一个复合模型。同时，通过理论证明和数值模拟，建立了与我们模型的一致性和稳态种群状态相关的一些基本定理和探索性结论。学习动态图，太慢原文标题： Learning Dynamic Graphs, Too Slow地址： http://arxiv.org/abs/2207.02177作者： Andrei A. Klishin, Nicolas H. Christianson, Cynthia S. Q. Siew, Dani S. Bassett摘要： 知识的结构通常被描述为关键概念和它们之间的语义关系的网络。特定领域的学习者可以通过导航由教学材料（例如教科书、工作簿或其他文本）呈现的节点和边来发现这个网络。虽然在很长一段时间内，这样的探索过程肯定会发现整个连接的网络，但对于有限学习时间和人类心理错误的双重压力如何影响学习却知之甚少。在这里，我们对线性代数教科书的学习进行建模，并在相应的语义网络上进行有限长度随机游走。我们表明，如果学习者跟不上材料呈现的步伐，学习可能会比渐近极限差一个数量级。此外，我们发现这种损失因三种类型的心理错误而加剧：遗忘、洗牌和强化。从广义上讲，我们的研究从结构和时间的角度为教材的设计提供了信息。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。
本文出自快速备案，转载时请注明出处及相应链接。