[论文解读] Learning Continuous-Time Social Network Dynamics

Yu Fan, Christian R. Shelton|arXiv (Cornell University)|May 9, 2012

Bayesian Modeling and Causal Inference参考文献 13被引用 14

一句话总结

本文提出一种基于连续时间贝叶斯网络（CTBN）的框架，用于建模动态社交网络的演化，通过基于MCMC的期望最大化方法实现参数估计，其性能优于传统的矩方法。该框架扩展以处理间接和异步的链路观测，利用马尔可夫链蒙特卡洛推理在合成网络和真实社交网络数据上实现了更高的准确性。

ABSTRACT

We demonstrate that a number of sociology models for social network dynamics can be viewed as continuous time Bayesian networks (CTBNs). A sampling-based approximate inference method for CTBNs can be used as the basis of an expectation-maximization procedure that achieves better accuracy in estimating the parameters of the model than the standard method of moments algorithmfromthe sociology literature. We extend the existing social network models to allow for indirect and asynchronous observations of the links. A Markov chain Monte Carlo sampling algorithm for this new model permits estimation and inference. We provide results on both a synthetic network (for verification) and real social network data.

研究动机与目标

• 使用CTBN将社交网络动态建模为连续时间随机过程。
• 通过支持对网络链路的间接和异步观测，克服现有社会学模型的局限性。
• 开发一种推理框架，其参数估计精度超越标准的矩方法。
• 在合成网络上验证模型的正确性，在真实社交网络数据上展示其实际应用价值。

提出的方法

• 将社交网络动态形式化为连续时间贝叶斯网络（CTBN），以捕捉链路的时序演化。
• 调整一种基于采样的近似推理方法，以支持通过期望最大化进行参数学习。
• 扩展CTBN模型，以处理网络链路的间接和异步观测，提升模型的真实性。
• 实现一种马尔可夫链蒙特卡洛（MCMC）采样算法，以在扩展模型下实现后验估计和推理。
• 使用带有MCMC的EM算法迭代优化参数估计，替代精度较低的矩方法。
• 在合成数据上验证框架以确认其正确性，在真实社交网络数据上验证其实际效用。

实验结果

研究问题

• RQ1 能否有效利用CTBN将社交网络动态建模为连续时间随机过程？
• RQ2 基于MCMC的CTBN推理在估计网络模型参数方面与矩方法相比表现如何？
• RQ3 该模型在多大程度上能够处理网络链路的间接和异步观测？
• RQ4 与现有方法相比，所提出的框架是否在真实世界社交网络数据上提升了估计精度？
• RQ5 该推理过程在不同网络结构和观测模式下是否具有鲁棒性？

主要发现

• 基于MCMC的期望最大化方法在参数估计精度上优于标准的矩方法算法。
• 扩展后的CTBN模型成功处理了网络链路的间接和异步观测。
• 在合成网络上，模型能准确恢复底层网络动态，证实了推理方法的有效性。
• 在真实社交网络数据上，该框架在捕捉动态链路形成与消失模式方面表现出更优性能。
• MCMC采样算法即使在复杂观测方案下也能实现可靠的后验推理。
• 结果证实，CTBN为建模连续时间社交网络演化提供了一个灵活且准确的框架。