多重网络的随机块模型：在研究者网络中的应用
统计方法学
2015-01-27 v1
摘要
对个体间关系进行建模是社会科学中的一个经典问题，而根据观察到的互动模式对个体进行聚类有助于揭示数据中的潜在结构。随机块模型 (SBM) 是一种根据社会行为对个体进行分组的流行方法。当个体之间可以同时发生多种不同类型的关系时，数据由多重网络表示，其中节点之间可以存在多条边。在本文中，我们将 SBM 扩展到多重网络，以便基于不止一种关系类型进行聚类。我们提出通过变分期望最大化 (Expectation-Maximization) 过程来估计参数，例如分配到组（块）的边缘概率以及组间连接概率矩阵。获得了估计量的一致性以及模型的统计性质。组的数量是通过集成完成似然 (Integrated Completed Likelihood) 准则（一种惩罚似然准则）选择的。多重随机块模型出现在许多情境中，但我们的应用实例是由法国癌症研究者网络激发的。研究者之间两种可能的链接（边）是直接连接或通过其实验室的连接。我们的结果显示了这两种连接类型与所获得的组之间的强烈相互作用，并讨论了这些组以强调被归为一组的研究者的共同特征。
引用
@article{arxiv.1501.06444,
title = {Stochastic Block Models for Multiplex networks: an application to networks of researchers},
author = {Pierre Barbillon and Sophie Donnet and Emmanuel Lazega and Avner Bar-Hen},
journal= {arXiv preprint arXiv:1501.06444},
year = {2015}
}