利用线性动态主题模型推断潜空间中的时序社会相关性
社会与信息网络
2015-01-07 v1
摘要
在线用户数据的丰富导致了利用计算方法理解社会关系动态的兴趣激增。利用用户的条目采纳数据，我们开发了一种新方法来计算用户之间的 Granger 因果（GC）关系。为了处理采纳数据高维且稀疏的特性，我们提出在潜空间而非原始数据空间中建模用户间关系。我们设计了一个线性动态主题模型（LDTM），该模型能够捕捉用户在潜（主题）空间中条目采纳行为的动态。利用 LDTM 学到的时序主题分布时间序列，我们进行 Granger 因果性检验以度量用户两两之间的社会相关关系。我们将 LDTM 与 Granger 因果性检验的结合称为时序社会相关性。通过在文献数据（其中作者类比于用户）上进行大量实验，我们表明作者在其出版物上的署名顺序对作者间研究主题的互动具有统计显著的作用。我们还给出一个案例研究以阐明作者两两之间的相关关系。
引用
@article{arxiv.1501.01270,
title = {Using Linear Dynamical Topic Model for Inferring Temporal Social Correlation in Latent Space},
author = {Freddy Chong Tat Chua and Richard J. Oentaryo and Ee-Peng Lim},
journal= {arXiv preprint arXiv:1501.01270},
year = {2015}
}