数据驱动的盘算社会科学：综述;观察纽约市的出租车和Uber竞争：通过强化学习举行多主体建模;符号有向网络的解耦变分嵌入;追踪SARS-CoV-2盛行病期间的再生数和锁定效应的时间历程：非参数预计;主题、情感和影响分析：COVID19在社交媒体上的信息搜索;用于经济犯罪的庞大性科学方法;错误推文检测：使用小数据集的CNN建模;使用机械学习技术在基于区块链的社交媒体平台上公布机械人检测;从优化到场度到权衡价值;使用防火墙停止COVID-19发作;自组织映射辅助的深度自动编码高斯混淆模型用于入侵检测;COVID-19锁定后墨西哥城的模块化重新激活;CD-SEIZ：Twitter上信息级联预测的认知驱动SEIZ区间模型;现实世界超图的演变：没有Oracle的模式和模型;交互式可视化技术在大型显示器上动态图的时间导航中的有效性;数据驱动的盘算社会科学：综述原文标题： Data-driven Computational Social Science: A Survey地址： http://arxiv.org/abs/2008.12372作者： Jun Zhang, Wei Wang, Feng Xia, Yu-Ru Lin, Hanghang Tong摘要： 社会科学关注与小我私家，人际关系和整个社会有关的问题。社会科学中研究主题的庞大性使其成为经济学，政治学和社会学等多个学科的融合。

几个世纪以来，科学家们举行了许多研究来明白社会机制。可是，由于传统研究方法的局限性，存在许多关键的社会问题需要探索。为相识决这些问题，由于盘算技术的飞速生长和对社会科学的深入研究，盘算社会科学应运而生。

借助先进的研究技术，如今可以获取来自差别领域的种种数据，它们可以资助我们以新的眼光看待社会问题。效果，使用种种数据展现来自盘算社会科学领域的问题已引起越来越多的关注。在本文中，就我们所知，我们首次举行了一项关于数据驱动的盘算社会科学的观察，该观察主要偏重于审查涉及人类动力学的应用领域。从三个方面回首了人类动力学的最新研究：小我私家，关系和团体。

详细而言，总结了用于解决上述应用领域中的研究挑战的研究方法。此外，还讨论了有关新兴研究主题和研究方法的一些重要的公然挑战。观察纽约市的出租车和Uber竞争：通过强化学习举行多主体建模原文标题： Investigating Taxi and Uber competition in New York City: Multi-agent modeling by reinforcement-learning地址： http://arxiv.org/abs/2008.12530作者： Saeed Vasebi, Yeganeh M. Hayeri摘要： 出租车行业已经受到过分羁系。

法例应该在受控的竞争情况中确保宁静和公正。通过影响驾驶员和搭客的选择和行为，新兴的电子叫车服务（例如Uber和Lyft）在已往几年中已经改变了现有的竞争方式。这项研究观察了纽约市主流叫车服务（即黄色和绿色出租车）与电子叫车服务（即Uber）之间的现有竞争。

凭据市场细分，新兴需求和法例对他们的竞争举行了观察。数据可视化技术被用于寻找出行行为的现有模式和新模式。对于本研究，我们开发了一种多主体模型并应用了强化学习技术来模拟驾驶员行为。

该模型已通过我们数据可视化效果中识此外模式举行了验证。然后，该模型用于评估多个新法例和竞争方案。

我们的研究效果讲明，电子出纳员在低旅行密度地域（例如住民区）中占主导职位，而且电子出纳员可以快速识别出差旅需求并做出响应。这导致叫车者的市场规模减小。

此外，我们的效果证实了绿色出租车法例对现有竞争的间接影响。这项观察以及我们提出的方案可以资助决议者和政府设计能够有效满足需求的政策，同时确保在冰雹和电子冰雹领域的康健竞争。关键词：出租车；优步，政策；电子称谓；多主体仿真；强化学习；符号有向网络的解耦变分嵌入原文标题： Decoupled Variational Embedding for Signed Directed Networks地址： http://arxiv.org/abs/2008.12450作者： Xu Chen, Jiangchao Yao, Maosen Li, Ya zhang, Yanfeng Wang摘要： 在许多实际应用中，例如链接符号预测，节点分类和节点推荐，用于符号有向网络的节点表现学习已受到相当大的关注。

挑战在于如何充实编码网络的庞大拓扑信息。最近的研究主要集中在保留指示节点的精密关系的一阶网络拓扑上。可是，这些方法通常无法描画指示节点的当地结构并充当网络拓扑的基本特征的高阶拓扑。

另外，对于一阶拓扑，不存在的链接的附加值在很大水平上被忽略。在本文中，我们建议通过同时描画有向有向网络中的一阶和高阶拓扑来学习更多有代表性的节点嵌入。特别是，我们从变分自动编码的角度重新界说了有向有向网络上的表现学习问题，并进一步开发相识耦变分嵌入（DVE）方法。

DVE使用特殊设计的自动编码器结构来描画有向有向网络的一阶和高阶拓扑，从而学习更具代表性的节点嵌入。在三个广泛使用的现实世界数据集上举行了广泛的实验。链接标志预测和节点推荐任务的综合效果证明晰DVE的有效性。还给出定性效果和分析，以更好地明白DVE。

追踪SARS-CoV-2盛行病期间的再生数和锁定效应的时间历程：非参数预计原文标题： Tracking the time c。

本文来源：leyu乐鱼游戏官网-www.murrihomes.com