“`html
Продвижение анализа социальных сетей: интеграция стохастических блочных моделей, взаимности и байесовских подходов
Использование реляционных данных в социальных науках растет, подталкиваемое интересом к сетевым структурам и их поведенческим последствиям. Методы анализа таких данных недостаточно развиты, что приводит к ситуации, когда исследования становятся несистематичными и не воспроизводимыми, и мешает развитию устойчивых теорий. Два новых подхода – блочные модели и стохастические модели для ориентированных графов – предлагают перспективные решения.
Решения на практике
Ученые из Educational Testing Service и Carnegie-Mellon University предлагают стохастическую модель для социальных сетей, разделяя актеров на блоки. Модель расширяет традиционные блочные модели, включая стохастические элементы и методы оценки для односвязных сетей с предопределенными блоками. Она также вводит расширение для учета тенденций к реципрокальным связям, предоставляя тест на соответствие модели. Исследование описывает объединение этого подхода со стохастическими мультиграфами и блочными моделями, описывает формальные тесты соответствия, и использует числовой пример из литературы по социальным сетям для иллюстрации методов. В заключение, устанавливается связь стохастических блочных моделей с другими типами блочных моделей.
Стохастическая блочная модель – это методика анализа социометрических данных, где сеть разделяется на подгруппы или блоки, и распределение связей между узлами зависит от этих блоков. Модель формализует детерминированную блочную модель, вводя изменчивость данных. Она представляет собой конкретный тип вероятностного распределения для массивов смежности, при котором узлы делятся на блоки, а связи между узлами в пределах одного блока моделируются как статистически эквивалентные. Модель предполагает, что отношения между узлами в одном блоке распределены сходным образом и независимо от связей между другими парами узлов, формализуя концепцию “внутренней однородности” в блоках.
В практических приложениях стохастические блочные модели анализируют односвязные социометрические данные с предопределенными блоками. Модель упрощает оценку, сосредотачиваясь на плотностях блоков – вероятности связи между узлами в конкретных блоках. Процесс оценки включает вычисление функции правдоподобия для наблюдаемых данных и получение оценок максимального правдоподобия для плотностей блоков. Этот подход особенно эффективен, поскольку функция правдоподобия может быть обработана, и оценки максимального правдоподобия могут быть непосредственно вычислены из наблюдаемых плотностей блоков. Этот метод позволяет рассчитывать такие показатели, как реципрокация связей, предоставляя инсайты в структуру сети, превышающие возможности детерминированных моделей.
Исследование исследует передовые техники блочного моделирования для анализа взаимности и структур на уровне пар в социальных сетях. В нем обсуждается концепция взаимности, при которой взаимные связи в отношениях могут превышать ожидания случайности, а также вводится Pair-Dependent Stochastic Blockmodel (PSB), учитывающая зависимости между отношениями. Стохастическая блочная модель с взаимностью (SBR) является конкретным случаем PSB, включающим параметры для взаимных, асимметричных и нулевых связей. В тексте также рассматривается оценка с использованием метода максимального правдоподобия (MLE) и тестирование соответствия модели. На примере эмпирических данных из монастыря Сэмпсона иллюстрируется практическое применение этих моделей.
В заключение, отмечаются две ключевые темы, связанные с нестохастическими блочными моделями. Во-первых, обсуждается проблема замыкания, отмечая, что стохастические блочные модели не являются замкнутыми при бинарном умножении матриц смежности, что затрудняет понимание косвенных связей. Во-вторых, рассматривается байесовский подход к созданию блоков, где блоки не предопределены, а обнаруживаются из данных. Этот подход определяет количество блоков, распределения размеров блоков и параметры плотности для различных типов блоков. Байесовская модель позволяет оценивать вероятность принадлежности к блокам, помогая более систематически анализировать реляционные данные.
Проверьте Исследование. Вся заслуга за это исследование принадлежит его исследователям.
Также не забудьте подписаться на наш Twitter и присоединиться к нашему каналу в Telegram и группе в LinkedIn. Если вам нравится наша работа, вам понравится наш newsletter..
Не забудьте присоединиться к нашему SubReddit
БЕСПЛАТНЫЙ ВЕБИНАР ПО ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ: “SAM 2 для видео: Как настроить на ваши данные” (ср, 25 сентября, 4:00 – 4:45 по EST)
Опубликовано на сайте MarkTechPost.
Применение искусственного интеллекта в вашем бизнесе
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Advancing Social Network Analysis: Integrating Stochastic Blockmodels, Reciprocity, and Bayesian Approaches.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на itinai. Следите за новостями о ИИ в нашем Телеграм-канале itinainews или в Twitter @itinairu45358
Попробуйте AI Sales Bot https://itinai.ru/aisales Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru будущее уже здесь!
“`
