COVID-19：首個公開的冠狀病毒Twitter數據集
原文標題： COVID-19: The First Public Coronavirus Twitter Dataset
地址： http://arxiv.org/abs/2003.07372
作者： Emily Chen, Kristina Lerman, Emilio Ferrara
摘要： 在撰寫本文時，新型冠狀病毒（COVID-19）大流行已經給世界許多國家的公民，資源和經濟帶來了巨大壓力。社會疏遠措施，旅行禁令，自我隔離和業務倒閉正在改變全球社會的結構。隨著人們被迫離開公共場所，有關這些現象的大量討論現在都在網上進行，諸如Twitter等社交媒體平臺。在本文中，我們描述了自2020年1月22日以來一直在不斷收集的多語言冠狀病毒（COVID-19）Twitter數據集。我們正在將數據集提供給研究社區（https://github.com/echen102/COVID-19-TweetID）。我們希望我們的貢獻將能夠在前所未有的比例和影響的行星級流行病爆發的背景下研究在線對話動態。該數據集還可以幫助跟蹤科學的冠狀病毒不實信息和未經證實的謠言，或者有助於理解恐懼和恐慌，這無疑是更多的事情。最終，該數據集可能有助於實現明智的解決方案並制定有針對性的政策干預措施來應對這一全球危機。
LAXARY：創傷後應激障礙評估的可信可解釋Twitter分析模型
原文標題： LAXARY: A Trustworthy Explainable Twitter Analysis Model for Post-Traumatic Stress Disorder Assessment
地址： http://arxiv.org/abs/2003.07433
作者： Mohammad Arif Ul Alam, Dhawal Kapadia
摘要： 退伍軍人的心理健康是一個重大的國家問題，因為大量退伍軍人正在從最近的伊拉克戰爭和在阿富汗的持續軍事存在中返回。儘管現有的大量工作已經使用黑盒機器學習技術調查了基於Twitter帖子的創傷後應激障礙（PTSD）評估，但是由於缺乏臨床可解釋性，這些框架無法為臨床醫生所信任。為了獲得臨床醫生的信任，我們探討了一個大問題，Twitter帖子可以提供足夠的信息來填充臨床醫生傳統上信任的PTSD臨床評估調查嗎？為了回答上述問題，我們提出了LAXARY（基於語言分析的可證明查詢）模型，該模型是一種新穎的可解釋人工智能（XAI）模型，用於使用改進的語言查詢和單詞計數（LIWC）分析來檢測和表示Twitter用戶的PTSD評估。 。首先，我們使用經過臨床驗證的調查工具來收集來自真實Twitter用戶的臨床PTSD評估數據，並使用PTSD評估調查結果開發PTSD語言詞典。然後，我們使用PTSD語言詞典以及機器學習模型來填充調查工具，以檢測PTSD狀態及其相應Twitter用戶的強度。我們對210位經過臨床驗證的資深Twitter用戶進行的實驗評估為PTSD分類及其強度估算提供了有希望的準確性。我們還評估了我們開發的PTSD語言詞典的可靠性和有效性。
譜圖注意力網絡
原文標題： Spectral Graph Attention Network
地址： http://arxiv.org/abs/2003.07450
作者： Heng Chang, Yu Rong, Tingyang Xu, Wenbing Huang, Somayeh Sojoudi, Junzhou Huang, Wenwu Zhu
摘要： 最近已經提出了用於表示學習的圖神經網絡（GNN）的變體，並在各個領域取得了豐碩的成果。其中，圖注意力網絡（GAT）首先採用自注意力策略來學習空間域中每個邊的注意力權重。但是，學習邊的注意僅關注圖的局部信息，並且極大地增加了參數的數量。在本文中，我們首先介紹對圖譜域的關注。因此，我們提出了譜圖注意力網絡（SpGAT），該網絡學習有關加權濾波器和圖小波基的不同頻率分量的表示。這樣，SpGAT可以有效地捕獲圖的全局模式，並且學習的參數比GAT少得多。我們在半監督節點分類任務中全面評估了SpGAT的性能，並驗證了在譜域中學習注意力的有效性。
按需出行中的動態定價導致的異常供應短缺
原文標題： Anomalous supply shortages from dynamic pricing in on-demand mobility
地址： http://arxiv.org/abs/2003.07736
作者： Malte Schröder, David-Maximilian Storch, Philip Marszal, Marc Timme
摘要： 動態定價方案越來越多地應用於各個行業，以保持需求和供應的自組織平衡。但是，在整個複雜的動力學系統中，存在著可能會破壞其功能的意外的集體狀態。在這裡，我們揭示了動態定價是如何引發而不是防止需求不平衡的。結合博弈論和按需乘車服務的動態定價數據的時間序列分析，我們解釋了這種明顯的矛盾。我們得出一個階段圖，該階段圖展示了動態定價如何以及在什麼條件下激勵打車司機的集體行動，從而導致異常的供應短缺。通過分解全球137個地點的乘車服務價格時間序列中的不同時間尺度，我們確定了反映這些異常供應短缺的價格動態特徵模式。我們的研究結果揭示了動態定價方案在哪些情況下會加劇異常的供應短缺，從而為動態定價的監管提供系統的見解，尤其是在公共交通系統中。
TraLFM：交通軌跡數據的潛變量建模
原文標題： TraLFM: Latent Factor Modeling of Traffic Trajectory Data
地址： http://arxiv.org/abs/2003.07780
作者： Meng Chen, Xiaohui Yu, Yang Liu
摘要： 定位設備（例如，GPS）的廣泛使用已經引起了大量的人體運動數據，通常以軌跡的形式。瞭解人員流動模式可能會使許多基於位置的應用程序受益。在本文中，我們通過潛在因子建模提出了一種稱為TraLFM的新型生成模型，以挖掘交通軌跡下的人員流動模式。 TraLFM基於以下三個主要觀察結果：（1）人體移動方式由軌跡位置序列反映； （2）人員流動方式因人而異； （3）人類的流動方式往往是週期性的，並且會隨著時間而變化。因此，TraLFM以統一的方式對順序因素，個人因素和時間因素的聯合作用進行建模，併為諸如潛在因素分析和下一個位置預測之類的許多應用帶來了新的視角。我們對兩個真實的數據集進行了全面的經驗研究，實驗結果證實，在這些應用中，TraLFM的性能明顯優於最新方法。
TTDM：下一個位置預測的旅行時差模型
原文標題： TTDM: A Travel Time Difference Model for Next Location Prediction
地址： http://arxiv.org/abs/2003.07781
作者： Qingjie Liu, Yixuan Zuo, Xiaohui Yu, Meng Chen
摘要： 下一位置預測對於許多基於位置的應用程序非常重要，併為企業和政府提供了必要的情報。在現有研究中，進行下一個位置預測的常用方法是基於條件概率學習具有大量歷史軌跡的順序過渡。不幸的是，由於時間和空間的複雜性，這些方法（例如，馬爾可夫模型）僅使用剛通過的位置來預測下一個位置，而不考慮軌跡中所有通過的位置。在本文中，我們試圖通過考慮從查詢軌跡中所有經過的位置到候選下一個位置的旅行時間來提高預測性能。特別是，我們提出了一種新穎的方法，稱為旅行時差模型（TTDM），該方法利用最短旅行時間與實際旅行時間之間的差異來預測下一個位置。此外，我們通過線性插值將TTDM與Markov模型集成在一起，以生成一個聯合模型，該聯合模型計算到達每個可能的下一個位置的概率並返回排名最高的結果。我們已經在兩個真實的數據集上進行了廣泛的實驗：車輛通過記錄（VPR）數據和滑行軌跡數據。實驗結果表明，與現有解決方案相比，預測精度有了顯著提高。例如，與Markov模型相比，VPR數據的top-1準確性提高了40％，而Taxi數據則提高了15.6％。
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。本系列在公眾號“網絡科學研究速遞”和個人博客進行同步更新。
閱讀更多 網絡科學研究速遞 的文章
