隨機塊模型學習算法

　　由于隨機塊模型能夠有效處理不具有先驗知識的網(wǎng)絡，對其研究成為了機器學習、網(wǎng)絡數(shù)據(jù)挖掘和社會網(wǎng)絡分析等領域的研究熱點．如何設計出具有模型選擇能力的快速隨機塊模型學習算法，是目前隨機塊模型研究面臨的一個主要挑戰(zhàn)．提出一種精細隨機塊模型及其快速學習算法，該學習方法基于提出的模型與最小消息長度推導出一個新成本函數(shù)，利用期望最大化參數(shù)估計方法，實現(xiàn)了邊評價模型邊估計參數(shù)的并行學習策略。以此方式顯著降低隨機塊模型學習的時間復雜性．分別采用人工網(wǎng)絡與真實網(wǎng)絡，從學習時間和學習精度兩方面對提出的學習算法進行了驗證，并與現(xiàn)有的代表性隨機塊模型學習方法進行了對比．實驗結(jié)果表明：提出的算法能夠在保持學習精度的情況下顯著降低時間復雜性，在學習精度和時間之間取得很好的折衷；在無任何先驗知識的情況下，可處理的網(wǎng)絡規(guī)模從幾百節(jié)點提高至幾萬節(jié)點．另外通過網(wǎng)絡鏈接預測的實驗，其結(jié)果也表明了提出的模型及學習算法相比現(xiàn)有隨機塊模型和學習方法具有更好的泛化能力．