海量关系事件网络中潜空间动力学的快速推断

关系事件是一类社会交互，有时被称为动态网络。其动力学通常依赖于涌现模式（即所谓内生变量）或外部力量（即所谓外生变量）。然而，关于网络中行动者的全面信息，尤其在海量网络中，十分罕见。网络分析中的潜空间方法已成为解释驱动网络结构的未测量协变量的流行方式。已有贝叶斯和 EM 类算法被提出用于推断潜空间，但许多社交网络应用的庞大规模以及过程的动态性（因而潜空间也是动态的）使得计算代价高得令人却步。本工作中我们提出一种基于似然的算法，可处理海量关系事件网络。我们提出一种分层策略，用于推断嵌入可解释潜空间中的网络社群动力学。节点动力学由平滑样条过程描述。为使框架适用于大型网络，我们借鉴了机器学习优化方法。基于模型的聚类通过凸聚类惩罚实现，鼓励共享轨迹以易于解释。我们提出一种基于模型的方法用于分离宏观-微观结构，并在连续层次中进行分层分析。该方法可在几分钟内于公开 Colab GPU 上拟合数百万节点。代码与教程可在 Github 仓库中获取。