[论文解读] Inferring Multiplex Diffusion Network via Multivariate Marked Hawkes Process

Peiyuan Sun, Jianxin Li+3 more|arXiv (Cornell University)|Aug 24, 2018

Diffusion and Search Dynamics参考文献 19被引用 3

一句话总结

本文提出多路扩散模型（MDM），一种贝叶斯生成模型，通过结合多变量带标记霍克斯过程与主题建模，推断多层社交网络结构。利用事件时间戳和内容语义，MDM 联合推断分层网络拓扑与影响强度，在合成数据集和真实数据集上的网络推断 AUC 表现优于基线模型。

ABSTRACT

Understanding the diffusion in social network is an important task. However, this task is challenging since (1) the network structure is usually hidden with only observations of events like "post" or "repost" associated with each node, and (2) the interactions between nodes encompass multiple distinct patterns which in turn affect the diffusion patterns. For instance, social interactions seldom develop on a single channel, and multiple relationships can bind pairs of people due to their various common interests. Most previous work considers only one of these two challenges which is apparently unrealistic. In this paper, we study the problem of \emph{inferring multiplex network} in social networks. We propose the Multiplex Diffusion Model (MDM) which incorporates the multivariate marked Hawkes process and topic model to infer the multiplex structure of social network. A MCMC based algorithm is developed to infer the latent multiplex structure and to estimate the node-related parameters. We evaluate our model based on both synthetic and real-world datasets. The results show that our model is more effective in terms of uncovering the multiplex network structure.

研究动机与目标

• 解决在仅观测到事件时间戳和内容的情况下，推断隐藏的多层社交网络结构的挑战。
• 对同一节点对之间共存的多个交互层（如政治、体育、生活方式）建模异质性影响模式。
• 通过主题建模引入内容语义，以区分多层网络中的不同扩散通道。
• 开发一种可扩展的推断算法，以处理复杂分层网络结构中难以计算的后验分布。
• 通过显式建模多层性与内容驱动的影响路径，提升网络结构推断的准确性。

提出的方法

• 构建多变量带标记霍克斯过程，以建模多层交互中级联事件的时间动态。
• 整合混合成员主题模型，为每个级联事件分配内容主题，从而实现分层影响建模。
• 采用吉布斯内梅特罗波利斯 MCMC 算法，联合推断隐含的多层网络结构、影响参数与主题分配。
• 在边之上应用板-尖刺先验，以鼓励稀疏性并支持多层结构发现。
• 将每个节点的影响建模为其在各层中特定主题的传播速率的函数。
• 结合事件时间戳与文本内容，以区分同一节点对之间的多个交互通道。

实验结果

研究问题

• RQ1 统一的概率模型能否从带有时间戳且内容丰富的扩散事件中，联合推断出多层网络结构与影响参数？
• RQ2 与仅依赖事件时间的模型相比，引入主题信息在多大程度上提升了对隐藏网络结构推断的准确性？
• RQ3 该模型在多大程度上能基于内容相似性与时间扩散模式检测出分层社区结构？
• RQ4 在不同网络复杂度下，该模型在网络推断 AUC 表现上与最先进基线模型相比如何？
• RQ5 增加层数对模型推断性能与可扩展性有何影响？

主要发现

• MDM 模型在所有三个真实数据集上的网络推断 AUC 表现均持续优于基线模型，其中在最小数据集（dataset1）上表现最佳。
• 随着层数增加，性能略有下降，可能是因为每层的事件密度不足，导致训练可靠性降低。
• 在每条边平均事件数更高的数据集上，MDM 取得了更高的 AUC，表明在数据更丰富的场景下性能更优。
• 引入内容语义显著增强了模型区分同一节点对之间多个交互通道的能力。
• 该模型成功检测到与主题偏好（如政治、体育、生活方式）一致的社区结构，基于级联内容实现。
• 基于 MCMC 的推断算法有效探索了难以计算的后验分布，实现了网络结构、影响强度与主题归属的联合估计。