[论文解读] Co-evolution of Selection and Influence in Social Networks

Yoon-Sik Cho, Greg Ver Steeg+1 more|arXiv (Cornell University)|Jun 14, 2011

Complex Network Analysis Techniques参考文献 10被引用 14

一句话总结

本文提出了一种协同演化混合成员关系随机块模型（CMMSB），用于在社交网络中联合建模动态节点属性与网络拓扑结构，其中节点成员关系通过邻居影响而演化，而链接形成则依赖于当前的成员关系。该模型捕捉了选择与影响的协同演化动态，并在U.S.参议院共提案数据上的验证表明，其成功检测到随时间推移的政治极化加剧趋势，与DW-NOMINATE和ACU/ADA等既定指标定性一致。

ABSTRACT

Many networks are complex dynamical systems, where both attributes of nodes and topology of the network (link structure) can change with time. We propose a model of co-evolving networks where both node at- tributes and network structure evolve under mutual influence. Specifically, we consider a mixed membership stochastic blockmodel, where the probability of observing a link between two nodes depends on their current membership vectors, while those membership vectors themselves evolve in the presence of a link between the nodes. Thus, the network is shaped by the interaction of stochastic processes describing the nodes, while the processes themselves are influenced by the changing network structure. We derive an efficient variational inference procedure for our model, and validate the model on both synthetic and real-world data.

研究动机与目标

• 建模动态社交网络中节点属性与网络结构的协同演化，其中选择（同质性）与影响（社会学习）相互作用。
• 通过建模个体节点成员关系轨迹，解决先前模型将动态外部化或聚合节点行为的局限性。
• 开发一种适用于具有混合成员关系及结构与属性间反馈的复杂时变网络的可扩展推断方法。
• 在真实世界数据上验证模型，特别是U.S.参议院法案共提案网络，以检测随时间演化的政治极化。

提出的方法

• 使用逻辑正态分布对每个节点的混合成员关系向量进行建模，实现连续、概率化的角色分配。
• 通过邻居成员关系的加权平均来建模节点成员关系的演化，并引入可学习的影响参数βp以控制对社会影响的敏感度。
• 基于节点当前的成员关系向量，使用依赖角色的随机块模型定义链接形成的概率。
• 采用变分期望最大化（EM）算法进行高效推断与参数学习，实现对动态成员关系轨迹的可扩展估计。
• 引入一种时间有序的生成过程，其中节点成员关系根据先前的网络结构进行更新，随后据此采样链接。
• 将模型应用于合成数据和真实世界中的U.S.参议院共提案网络，以推断动态意识形态轨迹。

实验结果

研究问题

• RQ1 如何构建一种网络模型，以联合捕捉动态社交系统中节点属性与网络拓扑的协同演化？
• RQ2 一种显式建模成员关系演化中影响机制的模型，在多大程度上能够检测到现实世界中的政治极化趋势？
• RQ3 CMMSB模型与现有动态块模型相比，在捕捉个体节点轨迹与系统级动态方面表现如何？
• RQ4 从共提案网络推断出的成员关系轨迹，能否在定性上与ACU/ADA和DW-NOMINATE等既定意识形态评分对齐？
• RQ5 建模个体节点动态与聚合动态相比，对检测结构变化（如极化）的准确性有何影响？

主要发现

• CMMSB模型成功捕捉了选择与影响的协同演化，其中成员关系向量基于邻居影响而演化，链接形成则依赖于当前的成员关系。
• 在合成数据上，该模型准确恢复了动态成员关系轨迹与网络结构，表现出良好的定性与定量性能。
• 在U.S.参议院共提案网络中，模型推断出的轨迹与ACU/ADA意识形态评分在定性上高度一致，尤其在Specter和Dole等高调参议员中表现明显。
• 该模型检测到从第97届至第104届参议院中政治极化趋势呈单调上升，与基于记票数据的DW-NOMINATE分析结果一致。
• 推断出的极化程度（以最保守与最不保守参议员的平均成员关系概率之差衡量）随时间增加，与历史趋势相符。
• 与基于聚合的动态模型相比，该模型通过追踪个体节点轨迹，实现了更优的性能，能够检测到即使整体系统均值保持稳定时的局部动态变化。