[论文解读] Reciprocity, community detection, and link prediction in dynamic networks

Hadiseh Safdari, Martina Contisciani+1 more|arXiv (Cornell University)|Dec 17, 2021

Complex Network Analysis Techniques参考文献 13被引用 6

一句话总结

本文提出 DynCRep，一种动态生成模型，能够联合捕捉时变网络中的互惠性与社区结构。通过将马尔可夫转移过程与期望最大化算法相结合，该模型在链接预测方面表现更优，并且相较于仅考虑社区结构的模型，能更好地反映引文网络与电子邮件网络中的现实互惠性。

ABSTRACT

Many complex systems change their structure over time, in these cases dynamic networks can provide a richer representation of such phenomena. As a consequence, many inference methods have been generalized to the dynamic case with the aim to model dynamic interactions. Particular interest has been devoted to extend the stochastic block model and its variant, to capture community structure as the network changes in time. While these models assume that edge formation depends only on the community memberships, recent work for static networks show the importance to include additional parameters capturing structural properties, as reciprocity for instance. Remarkably, these models are capable of generating more realistic network representations than those that only consider community membership. To this aim, we present a probabilistic generative model with hidden variables that integrates reciprocity and communities as structural information of networks that evolve in time. The model assumes a fundamental order in observing reciprocal data, that is an edge is observed, conditional on its reciprocated edge in the past. We deploy a Markovian approach to construct the network's transition matrix between time steps and parameters' inference is performed with an Expectation-Maximization algorithm that leads to high computational efficiency because it exploits the sparsity of the dataset. We test the performance of the model on synthetic dynamical networks, as well as on real networks of citations and email datasets. We show that our model captures the reciprocity of real networks better than standard models with only community structure, while performing well at link prediction tasks.

研究动机与目标

• 解决现有动态随机块模型在有向网络中忽略互惠性的问题。
• 开发一种能够同时捕捉社区结构与互惠边形成的生成模型，适用于时变网络。
• 通过引入超越社区归属的结构属性，提升链接预测的准确性。
• 利用马尔可夫转移矩阵与 EM 算法，实现在稀疏动态网络中的高效推断。

提出的方法

• 通过引入连续时间马尔可夫过程，将 CRep 生成模型扩展至动态网络，以描述时间步之间的边转移。
• 假设边的形成条件依赖于互惠边在过去是否存在，从而在互惠观测中强制建立时间顺序。
• 构建一个转移矩阵，基于社区归属与互惠性，对边随时间出现与消失的概率进行建模。
• 通过利用网络稀疏性的期望最大化算法推断参数，以实现计算效率。
• 利用潜变量表示社区归属与互惠性，联合生成逼真的动态网络结构。
• 推断框架通过迭代优化，支持在大规模稀疏动态网络上实现可扩展学习。

实验结果

研究问题

• RQ1 是否能够证明一种同时包含社区结构与互惠性的动态网络模型，优于仅依赖社区归属的模型？
• RQ2 在真实世界的动态网络中，引入互惠性如何提升链接预测性能？
• RQ3 该模型在多大程度上能够捕捉引文与电子邮件网络中互惠互动的时间动态？
• RQ4 马尔可夫转移过程是否能有效建模动态网络中的边演化，同时保持计算效率？

主要发现

• 与仅考虑社区的模型相比，DynCRep 在真实网络（如引文与电子邮件数据集）中对互惠性的捕捉能力显著更优。
• 相较于标准动态随机块模型，该模型在具有强互惠模式的网络中实现了更优的链接预测性能。
• 在合成网络与真实网络上的实证评估表明，引入互惠性可生成更逼真的网络表示。
• 基于 EM 的推断算法因有效利用网络稀疏性，展现出极高的计算效率。
• 该模型成功建模了边形成的时间演化过程，其转移概率依赖于过去的互惠边。
• 将互惠性与社区结构相结合，显著提升了社区检测在时间维度上的稳定性和准确性。