大型特征丰富图中潜在特征-特征相互作用的估计

现实世界复杂网络描述对象之间的连接；在现实中，这些物体往往被赋予某种特征。这些功能的存在与否如何与网络链接结构相互作用？虽然这里描述的情况确实无处不在，但处理此类大型图的研究数量有限。以前的许多工作都认为同质性是将节点特征转换为链接的唯一可能的传输机制。相反，其他作者开发了更复杂的模型，这些模型能够处理复杂的特征交互，但不适合扩展到非常大的网络。我们扩展了MGJ模型，其中特征对之间的交互可以促进或阻止链接形成。在这项工作中，我们将研究如何估计该模型中潜在的特征-特征交互作用。我们将提出两种解决方案：第一种方案假设特征独立，本质上基于朴素贝叶斯；第二种基于感知器，放松了独立性假设。事实上，我们表明可以将模型方程转换为感知器的预测规则。我们分析了感知器的经典结果在这种背景下是如何解释的；然后，我们为这个任务定义了一个快速简单的类感知器算法，它可以处理$10^8$链接数分钟内完成。然后，我们将这两种技术进行了比较，首先是与遵循我们模型的合成数据集进行比较，从而获得证据表明，天真独立假设在实践中是有害的。其次，我们考虑一个真实的大规模引文网络，其中每个节点（即论文）可以用不同类型的特征进行描述；在那里，我们的算法可以评估每个特征集解释链接的能力，从而找到有意义的潜在特征-特征交互。