[论文解读] Multiplex Network Regression: How do relations drive interactions?

Giona Casiraghi|arXiv (Cornell University)|Feb 7, 2017

Complex Network Analysis Techniques参考文献 36被引用 15

一句话总结

本文提出多重网络回归（Multiplex Network Regression），一种基于广义超几何系综（gHypEG）的统计模型，用于量化多重网络中加权关系层对多边网络中观测互动次数的影响。通过将组合效应与关系影响分离，该方法可估计每种关系作为互动预测因子的统计显著性与强度，从而在不进行阈值处理的情况下充分利用计数数据。

ABSTRACT

We introduce a statistical regression model to investigate the impact of dyadic relations on complex networks generated from observed repeated interactions. It is based on generalised hypergeometric ensembles (gHypEG), a class of statistical network ensembles developed recently to deal with multi-edge graph and count data. We represent different types of known relations between system elements by weighted graphs, separated in the different layers of a multiplex network. With our method, we can regress the influence of each relational layer, the explanatory variables, on the interaction counts, the dependent variables. Moreover, we can quantify the statistical significance of the relations as explanatory variables for the observed interactions. To demonstrate the power of our approach, we investigate an example based on empirical data.

研究动机与目标

• 开发一种统计回归框架，以量化已知二元关系对复杂系统中观测互动次数的影响。
• 解决现有网络模型需将多边或加权数据阈值化为二元图的局限性，从而避免信息损失。
• 将关系纽带的影响与由节点活跃度（如高程度节点因机会更多而互动）引起的组合效应分离开来。
• 实现对每种关系层作为互动频率预测因子的强度与统计显著性的估计。
• 提供一种可扩展且可解释的方法，用于分析互动重复发生且关系加权的复杂系统。

提出的方法

• 该模型使用广义超几何系综（gHypEG），一种统计网络系综框架，用于建模具有计数数据的多边图。
• 它将不同类型的关系表示为多重网络结构中不同层上的加权图。
• 回归框架将节点对之间互动发生的对数几率建模为关系预测因子的函数，同时将节点活跃度作为基线。
• 通过一个零模型引入组合效应，该模型假设在给定节点度数的前提下互动是随机的，从而隔离实际关系的影响。
• 通过最大似然法估计模型参数，从而实现对每种关系层统计显著性的推断。
• 通过基于系综理论的指数族模型，避免对边计数的分布假设。

实验结果

研究问题

• RQ1 已知的二元关系（如友谊或共同班级成员关系）在多大程度上能解释网络中观测到的互动频率？
• RQ2 如何在统计上将关系纽带的影响与节点活跃度引起的组合效应（如高程度节点因机会更多而更可能互动）分离开来？
• RQ3 多个可能相关的社会关系层（如友谊、班级、主题、Facebook关系）对互动预测的相对贡献是什么？
• RQ4 当关系数据不完整或部分重叠时（如自报友谊与Facebook友谊），该模型表现如何？（例如，自报友谊与Facebook友谊）
• RQ5 在控制了更强的关系后，该模型能否检测到微弱或隐藏的关系效应，如性别同质性？

主要发现

• 即使在控制了班级成员关系和主题相似性后，友谊关系仍是观测互动的最强预测因子。
• 该模型表明，当已包含相互友谊关系时，单向声明的友谊（非对应友谊）对互动频率的影响可忽略不计。
• 班级成员关系和主题相似性是显著的预测因子，但其联合效应小于预期，原因在于两者之间存在部分相关性。
• 尽管Facebook友谊数据不完整且与自报友谊部分重叠，但仍能有效解释互动模式。
• 在控制其他关系因素后，性别同质性对互动的影响相对较弱，表明在所研究的数据集中并非主导驱动因素。
• 该模型成功量化了每种关系层的统计显著性，证明关系不仅是与互动相关，更具有因果影响。