[论文解读] REM beyond dyads: relational hyperevent models for multi-actor interaction networks

Jürgen Lerner, Mark Tranmer+2 more|arXiv (Cornell University)|Dec 16, 2019

Complex Network Analysis Techniques参考文献 20被引用 4

一句话总结

本文提出关系超事件模型（RHEM），将关系事件模型推广至超边上的多主体交互，支持任意数量主体的时间变化事件率建模。通过应用病例对照抽样克服计算不可行性，RHEM在包含数十万节点和超事件的大规模网络中成功估计参数，揭示了超越成对交互的高阶依赖关系。

ABSTRACT

We introduce relational hyperevent models (RHEM) as a generalization of relational event models to events occurring on hyperedges involving any number of actors. RHEM can specify time-varying event rates for the full space of directed or undirected hyperedges and can be applied to model, among others, meetings, team assembly, team performance, or multi-actor communication. We illustrate the newly proposed model on two empirical hyperevent networks about meetings of government ministers and co-authoring of scientific papers.

研究动机与目标

• 开发一种通用框架，用于建模超越成对关系的多主体交互事件，扩展关系事件模型的应用范围。
• 通过应用抽样技术，解决大规模超图网络中完整似然评估的计算不可行性问题。
• 提出能捕捉高阶网络结构并影响事件率动态的超边统计量。
• 区分基于超边大小建模与控制超边大小的模型，提升稀疏网络中模型的有效性。
• 引入关系结果模型（ROM）以分析超事件的成功或影响，例如合作作者团队的表现。

提出的方法

• RHEM将关系事件模型（REM）推广至超边，允许事件率在涉及任意数量主体的所有可能有向或无向超边中指定。
• 模型采用对数线性形式表示事件率强度，由反映网络结构和历史的超边统计量参数化。
• 为管理计算复杂度，本文应用病例对照抽样，将观测到的超事件（‘病例’）与风险集中可能但未发生的非事件（‘对照’）进行比较。
• 风险集定义为所有可能经历事件但未发生的特定大小的超边，通过大小条件控制提升模型的合理性。
• 针对新事件与重复事件分别提出模型，以应对风险集中极端异质性问题，避免有意义效应被掩盖。
• 引入关系结果模型（ROM）以解释团队表现等结果，将RHEM的适用范围从事件发生扩展至事件影响分析。

实验结果

研究问题

• RQ1 如何将关系事件模型推广至通过超边处理多于两个主体的交互？
• RQ2 在似然复杂度呈指数增长的大规模超图网络中，何种统计技术可可靠估计RHEM参数？
• RQ3 如何定义合理的替代超边，以确保病例对照抽样中事件与非事件之间的有意义比较？
• RQ4 何种超边统计量能有效捕捉多主体场景下的高阶网络依赖关系，如重复、互惠与三角闭包？
• RQ5 模型如何区分由超边大小驱动的效应与由网络结构或行为属性驱动的效应？

主要发现

• RHEM成功建模了多主体交互网络中所有可能超边的时间变化事件率，捕捉了成对模型无法表达的依赖关系。
• 病例对照抽样使在包含超过10万名作者和数十万超事件的合作作者网络中实现可靠参数估计成为可能，克服了指数级似然计算的难题。
• 模型揭示重复事件——尤其是近期子集的子重复——具有显著更高的事件率，表明存在强烈的时间与结构依赖。
• 对超边大小进行条件控制可提升模型稳定性与合理性，降低对极端或异质性风险集的过拟合风险。
• 在稀疏网络中，必须分别建模新事件与重复事件，以防止主导效应掩盖其他有意义的结构模式。
• 关系结果模型（ROM）成功解释了合作作者网络中的团队表现，表明RHEM可扩展至分析事件结果，而不仅限于事件发生本身。