面向连续时间基于事件的动态网络的块点过程模型
社会与信息网络
2019-02-25 v2 机器学习
物理与社会
统计方法学
摘要
我们考虑分析一组实体之间带时间戳的关系事件的问题，例如在线社交网络用户之间的消息。此类数据通常使用静态或离散时间网络模型进行分析，这些模型通过对事件随时间聚合形成网络快照而丢弃了大量信息。在本文中，我们引入了用于连续时间基于事件的动态网络的块点过程模型（BPPM）。BPPM受著名的静态网络随机块模型（SBM）启发。我们证明，在节点数量增长的极限下，由BPPM生成的网络遵循SBM。我们利用这一性质开发了由正则化谱聚类初始化的有原则且高效的局部搜索和变分推断过程。我们用指数霍克斯过程拟合BPPM以分析多个真实网络数据集，包括一个拥有超过3,500个节点和130,000个事件的Facebook留言墙网络。
引用
@article{arxiv.1711.10967,
title = {The Block Point Process Model for Continuous-Time Event-Based Dynamic Networks},
author = {Ruthwik R. Junuthula and Maysam Haghdan and Kevin S. Xu and Vijay K. Devabhaktuni},
journal= {arXiv preprint arXiv:1711.10967},
year = {2019}
}
备注
To appear at The Web Conference 2019