Latent Space Approaches to Social Network Analysis
社会网络分析的潜在空间方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以社会行动者为节点、关系为边，研究潜在位置网络模型及关系形成概率。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
社会网络分析的潜在空间方法
- 研究问题
- 如何用不可观测社会空间中的个体位置解释关系形成，并联合推断潜在位置、观测协变量效应及社会空间表示的不确定性？
- 方法与思路
- 作者令关系概率依赖个体的潜在社会位置，在最大似然与贝叶斯框架下推断，并提出用于潜在位置和协变量效应的 MCMC 程序。
- 材料陈述的贡献
- 摘要称，在三个标准网络数据集上，方法较所比较的随机块模型改善拟合，并提供可解释的空间展示及潜在空间不确定性可视化。
- 阅读关注点
- 应核对关系概率的具体形式、潜在位置的识别与对齐、维数选择、MCMC 诊断，以及拟合比较和图形不确定性的计算方式。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；识别约束、计算表现及拟合指标未说明，三组数据的比较不能证明普遍优势或因果关系。
原文摘要
Network models are widely used to represent relational information among interacting units. In studies of social networks, recent emphasis has been placed on random graph models where the nodes usually represent individual social actors and the edges represent the presence of a specified relation between actors. We develop a class of models where the probability of a relation between actors depends on the positions of individuals in an unobserved “social space.” We make inference for the social space within maximum likelihood and Bayesian frameworks, and propose Markov chain Monte Carlo procedures for making inference on latent positions and the effects of observed covariates. We present analyses of three standard datasets from the social networks literature, and compare the method to an alternative stochastic blockmodeling approach. In addition to improving on model fit for these datasets, our method provides a visual and interpretable model-based spatial representation of social relationships and improves on existing methods by allowing the statistical uncertainty in the social space to be quantified and graphically represented.