多层网络的潜在位置共聚类模型

多层网络日益广泛存在于各个领域，推动了发展能够在多个层面上揭示模式的聚类方法。现有方法通常专注于对整个网络或单个网络中的节点进行聚类。我们通过提出一种潜在位置共聚类模型(LaPCoM)，基于层次混合混合物框架，来解决统一潜在空间框架用于同时进行网络级和节点级聚类的不足。LaPCoM实现了网络及其构成节点的共聚类，提供联合降维和双层聚类检测。在网络层面，它通过对共享相似潜在表示的网络进行分组来识别全局同质性的拓扑模式。在节点层面，它捕捉局部连通性和社区模式。该模型采用贝叶斯非参数框架，使用混合有限混合物，为两个层面的聚类数目置于先验，并纳入稀疏先验以鼓励简约聚类。通过马尔可夫链蒙特卡罗抽样进行推断，并自动选择聚类数。LaPCoM支持二元和计数型多层网络数据。模拟研究与现有方法的比较表明，能够准确恢复潜在结构和聚类。应用到真实社交多层网络数据后，结果揭示了与特定情境模式相吻合的可解释网络级聚类，以及反映社交模式和角色的节点级聚类。