基于贝叶斯半参数方法建模动态社交网络中的记忆衰减
统计方法学
2022-08-17 v1
摘要
在关系事件网络中，行动者彼此交互的倾向极大依赖于社交网络中行动者之间过去的交互。过去交互的数量以及自过去交互发生以来经过的时间，都会影响行动者与该网络中其他行动者交互的决策。最近发生的事件通常比很久以前发生的过去事件对当前交互行为有更强的影响——这一现象被称为“记忆衰减”。以往研究要么预定义短期和长期记忆，要么使用预定义半衰期固定参数化指数记忆。然而，在真实关系事件网络中，行动者对过去事件的记忆如何随时间消退通常是未知的。因此，以临时方式固定此记忆并不可取，而应从观测数据中学习记忆衰减的形状。本文提出一种基于贝叶斯模型平均的新型半参数方法，可在无需任何参数假设的情况下学习记忆衰减的形状。该方法应用于印度社会政治行动者之间的关系事件历史数据。
引用
@article{arxiv.2109.01881,
title = {A Bayesian semi-parametric approach for modeling memory decay in dynamic social networks},
author = {Giuseppe Arena and Joris Mulder and Roger Th. A. J. Leenders},
journal= {arXiv preprint arXiv:2109.01881},
year = {2022}
}
备注
30 pages