网络中排序与社区结构的相互作用

社区检测与层次提取通常被视为网络上独立的推断任务。在研究真实世界数据时仅考虑其中之一可能是一种过度简化。在这项工作中,我们提出了一个基于社区与层次结构相互作用的生成模型。它假设每个节点在交互机制上具有偏好,具有相同偏好的节点更可能交互,同时仍允许异质交互。网络的稀疏性被用于实现更高效的算法。我们在合成与真实世界数据上演示了我们的方法,并与两种用于社区检测和排序提取的标准方法比较性能。我们发现该算法在不同场景下准确恢复节点的整体偏好,并且表明它能区分出与大多数节点行为不同的小节点子集。因此,该模型能识别一个网络是否具有整体的偏好交互机制。在缺乏关于何种结构能较好解释观测网络数据集的明确“先验”信息的情况下,这一点是相关的。我们的模型允许从业者从数据中自动学习这一点。