动态网络的非参数多组成员模型
社会与信息网络
2013-11-12 v1 物理与社会
机器学习
摘要
关系数据（如图、网络和矩阵）通常是动态的，其关系结构随时间演变。分析时变网络数据的一个基本问题是提取实体间潜在关系的共同结构及其动态变化的摘要。本文基于网络结构的变化由节点群层面的动态所驱动这一直觉，提出了一种用于动态网络的非参数多组成员模型。我们的模型包含三个主要组成部分：首先，通过距离依赖的印度 buffet 过程（distance dependent Indian Buffet Process）对个体群的生灭进行建模，以反映网络结构的动态；其次，通过阶乘隐马尔可夫模型（Factorial Hidden Markov model）捕捉个体节点群成员身份的演变；最后，通过显式建模群的连通结构来解释网络结构的动态。我们展示了该模型在多种不同类型网络数据中识别潜在群动态的能力。实验结果表明，在未来网络预测和缺失链接预测任务上，我们的模型相较于现有的动态网络模型提供了更优的预测性能。
引用
@article{arxiv.1311.2079,
title = {Nonparametric Multi-group Membership Model for Dynamic Networks},
author = {Myunghwan Kim and Jure Leskovec},
journal= {arXiv preprint arXiv:1311.2079},
year = {2013}
}
备注
In Advances in Neural Information Processing Systems 25 (2013)