[论文解读] Latent Multi-group Membership Graph Model

Myunghwan Kim, Jure Leskovec|arXiv (Cornell University)|May 21, 2012

Graph Theory and Algorithms参考文献 10被引用 38

一句话总结

LMMG 模型通过为每个节点分配多个潜在群体成员身份，联合建模网络链接和节点特征，其中群体成员身份通过逻辑模型决定特征出现概率，通过群体特异性亲和矩阵决定链接概率。与最先进方法相比，该模型在链接预测、特征预测和节点分类任务中表现出更优性能。

ABSTRACT

We develop the Latent Multi-group Membership Graph (LMMG) model, a model of networks with rich node feature structure. In the LMMG model, each node belongs to multiple groups and each latent group models the occurrence of links as well as the node feature structure. The LMMG can be used to summarize the network structure, to predict links between the nodes, and to predict missing features of a node. We derive efficient inference and learning algorithms and evaluate the predictive performance of the LMMG on several social and document network datasets.

研究动机与目标

• 开发一种统一的概率模型，联合捕捉复杂网络中的网络结构与节点特征模式。
• 仅利用互补的数据模态实现缺失链接或特征的预测——例如，仅从特征预测链接，或仅从链接预测特征。
• 提供可解释且有意义的节点与特征分组，反映潜在的社区结构与交互关系。
• 克服传统模型将链接与特征分开处理或假设排他性群体成员身份的局限性。
• 在真实网络中的链接预测、特征预测与节点分类任务中，提升预测性能。

提出的方法

• 通过独立的伯努利随机变量为每个节点分配多个潜在群体成员身份，允许非排他性、重叠的群体归属。
• 采用逻辑回归框架建模节点特征，其中特征出现的概率取决于节点的群体成员身份。
• 链接形成由群体特异性链接亲和矩阵控制，编码基于节点是否属于某一给定群体（0,0）、（1,0）、（0,1）或（1,1）的链接概率。
• 模型采用生成过程：首先从 Beta 先验中采样群体成员身份，然后基于群体成员身份与亲和矩阵条件生成特征与链接。
• 通过高效的变分推理与期望最大化算法进行推断与参数学习，以处理大规模网络。
• 模型支持有向与无向网络，并可扩展至具有丰富节点特征与复杂链接结构的真实世界数据集。

实验结果

研究问题

• RQ1 统一模型能否联合学习网络结构与节点特征，从而在多个任务中提升预测性能？
• RQ2 在未观察到任何链接的情况下，能否仅基于节点特征实现链接预测？
• RQ3 能否仅利用网络结构准确预测缺失或隐藏的节点特征？
• RQ4 与多项式主题模型相比，重叠群体成员身份与群体特异性链接亲和矩阵在提升可解释性与建模灵活性方面有何优势？
• RQ5 LMMG 是否在链接预测、特征预测与节点分类任务中优于现有最先进模型？

主要发现

• LMMG 在真实社交网络与文档网络中的链接预测、节点特征预测与监督节点分类任务中，显著优于自然基线与最先进模型。
• 该模型可仅基于节点特征实现准确的链接预测——例如，仅凭个人资料信息推荐好友关系——展示了其超越传统仅依赖链接模型的能力。
• 该模型可仅利用网络结构预测缺失或隐藏的节点特征，例如，仅通过连接关系推断用户兴趣或网页关键词。
• 群体成员身份分析揭示了可解释的社区结构：例如，实习生群体表现出高链接密度（亲和矩阵 [0.67, 0.08; 0.08, 0.17]），而 CS 与家庭等通用特征则表现出更平坦的亲和矩阵，表明其结构影响较弱。
• 模型识别出高中成员身份（HS）对网络结构的影响（逻辑回归系数 8.7）强于大学成员身份（2.3），反映了现实世界中的社会动态。
• 链接亲和矩阵揭示了细致的互动模式：例如，篮球群体的内部链接亲和度（0.38）高于外部链接（0.18），表明其内部凝聚力较强。