[论文解读] The Multivariate Community Hawkes Model for Dependent Relational Events in Continuous-time Networks

Hadeel Soliman, Lingfei Zhao+3 more|arXiv (Cornell University)|May 2, 2022

Point processes and geometric inequalities被引用 5

一句话总结

该论文提出了多变量社区霍克斯（MULCH）模型，一种灵活的连续时间网络模型，利用结构化的多变量霍克斯过程，通过基于社区的激发矩阵捕捉节点对之间的依赖关系事件。通过引入社会学启发的激发机制（如参与转移），该模型在预测未来事件和生成真实的时间模式（包括三角形和相互性）方面显著优于现有模型。

ABSTRACT

The stochastic block model (SBM) is one of the most widely used generative models for network data. Many continuous-time dynamic network models are built upon the same assumption as the SBM: edges or events between all pairs of nodes are conditionally independent given the block or community memberships, which prevents them from reproducing higher-order motifs such as triangles that are commonly observed in real networks. We propose the multivariate community Hawkes (MULCH) model, an extremely flexible community-based model for continuous-time networks that introduces dependence between node pairs using structured multivariate Hawkes processes. We fit the model using a spectral clustering and likelihood-based local refinement procedure. We find that our proposed MULCH model is far more accurate than existing models both for predictive and generative tasks.

研究动机与目标

• 解决现有连续时间网络模型假设节点对之间条件独立的问题，从而无法准确建模高阶网络模式。
• 开发一种计算可行且灵活的模型，以捕捉动态网络中的复杂依赖关系，如相互性、参与转移和联盟动态。
• 提升时间戳关系事件数据的预测性能与生成保真度，尤其针对短时间窗内涉及多个事件的模式。
• 支持基于模型的现实网络探索性分析（如军事争端），揭示潜在的社区行为与响应模式。

提出的方法

• MULCH 模型将随机块模型（SBM）与多变量霍克斯过程相结合，利用结构化的激发矩阵 α，根据节点的社区归属关系诱导节点对之间的依赖。
• 采用谱聚类算法初始化社区分配，随后通过基于似然的局部优化方法优化模型参数。
• 模型整合了多种激发类型：自激发、相互激发、盟友延续、轮换延续、广义相互性及盟友相互性，灵感源自人际互动的社会学理论。
• 每个节点对 (i,j) 的条件强度函数建模为 λ_ij(t) = μ_ij + Σ_k α_ij^k * γ_k(t - t_s)，其中激发 α_ij^k 取决于节点 i 和 j 的社区归属。
• 通过两阶段流程拟合模型：首先使用谱聚类进行初始社区检测，然后通过似然最大化进行迭代优化。
• 激发矩阵 α 受块结构约束，实现高效计算，同时保留节点对之间丰富的依赖模式。

实验结果

研究问题

• RQ1 连续时间网络模型能否有效捕捉现实网络中常见的高阶时间模式（如三角形和相互性）？
• RQ2 如何在不假设条件独立性的前提下，以计算可行的方式建模节点对之间的依赖关系？
• RQ3 在真实数据上，引入社会学启发的激发类型（如参与转移）在多大程度上提升了模型性能？
• RQ4 MULCH 模型是否能在时间戳关系事件数据上，同时优于现有模型的预测准确性和生成保真度？
• RQ5 通过分析军事争端等现实网络中的激发模式，能否揭示集体行为的深层洞察？

主要发现

• 在 Reality 和 Enron 数据集上，MULCH 模型在预测未来事件方面显著优于现有模型（CHIP 和 BHM），在保留数据上的对数似然得分更高。
• MULCH 成功复现了 3 节点时间模式的相对频率，包括相互性与类三角形模式，其与真实数据的匹配度高于仅含自激发或随机分配的模型。
• 在军事争端案例研究中，模型识别出北约成员国（第 1 组）与南斯拉夫、利比亚等国（第 2 组）构成高激发对，体现盟友延续机制，准确反映了如 1999 年北约轰炸南斯拉夫等历史冲突。
• 模型揭示了强烈的自激发（α ≈ 0.9）与相互性（α ≈ 0.7），同时轮换延续（α ≈ 0.03）与盟友延续（α ≈ 0.04）虽较弱但具有实际意义，表明国家间存在协调响应。
• 第 (2,1) 组对的激发模式显示高轮换延续性，反映出南斯拉夫对北约国家迅速的报复性行动，与历史叙述一致。
• MULCH 生成的时间模式计数的棋盘式分布与实际数据高度吻合，表明模型准确捕捉了现实网络中复杂且非均匀的时间模式分布。