贝叶斯泊松塔克分解用于学习国际关系的结构
机器学习
2016-06-07 v1 人工智能
机器学习
社会与信息网络
应用统计
摘要
我们提出贝叶斯泊松塔克分解（BPTD）用于建模国家--国家交互事件数据。这些数据由形如“国家 在时间 对国家 采取了行动 ”的交互事件组成。BPTD 发现重叠的国家--社群归属关系，包括潜在社群的数量。此外，它发现特定的行动类型“主题”和时间“体制”所对应的有向社群--社群交互网络。我们展示了 BPTD 产生了一种高效的 MCMC 推断算法，并且比相关模型取得了更好的预测性能。我们还证明它发现了可解释的潜在结构，该结构与我们对国际关系的认知一致。
引用
@article{arxiv.1606.01855,
title = {Bayesian Poisson Tucker Decomposition for Learning the Structure of International Relations},
author = {Aaron Schein and Mingyuan Zhou and David M. Blei and Hanna Wallach},
journal= {arXiv preprint arXiv:1606.01855},
year = {2016}
}
备注
To appear in Proceedings of the 33rd International Conference on Machine Learning (ICML 2016)