摘要¶
再来一遍， 不权威定义：社区发现大概就是发现高密度的点群， 群内互连较多；连到群外的较少
之前社区发现和role detection（作用检测）两个领域各玩各的， 本篇论文就是把这两个结合起来， 以一种统一的模型结合，来同时处理这两个任务， 并且要做到更好的效果。
基本观点¶
- 节点可能属于多个社区，一个点有没有边连到另一个点要视它所属的社区而定。each node has a distribution over the communities.
- 节点的属性可以把节点分成多类，可视为节点所承担的角色。each node has a distribution over roles。
- 每个点会有一些动作， 跟所属社区和角色有关。
所以我们必须考虑the distributions that the node has over both communities and roles.
主要贡献¶
写了三个
- incorporate various elements of a social network into a unified probabilistic generative framework. then design a method to estimate the parameters of the model.
- use our model to generate a synthetic network with the learned parameters, and verify the superiority of our model, 这也能算？做实验不算创新就算贡献了？
- apply the model to two problems|behavior prediction and community detection|verifying its versatility and effectiveness 这条和第二条不都是做实验吗？
正文¶
定义¶
社区community：¶
Each community has a multinomial distribution over all pairs (v, u), denoted as $\zeta$
社区上的点分布node distribution over communities？:¶
Each node has a multinomial distribution over communities, which is denoted as $\phi$
角色role:¶
- 每个点可能有多个角色设定。
- 每个角色都有一组分布的参数。
- 我们这里用 高斯分布。
角色上的点分布 nodes distribution over Roles:¶
Each node has a multinomial distribution over roles, which is denoted as $\theta$
动作action¶
动作多种，比如转发和关注。 y 表示 action
社区角色对 community-role pair¶
the distribution of community-role pairs over actions, denoted as $\rho$
因为actioin y只有两种结果，所以，使用伯努利分布。
模型描述¶
regard a node as a random mixture over communities
网络中边的生成过程描述 如下：
define each role as a distribution over attributes and each node is a random mixture over roles
The generative process of all nodes ：
The generative process of the actions:
时间复杂度略
推断及参数估计¶
看不懂。 使用 Gibbs 采样和 EM 算法，两个都不认识。
一大堆公式也不知道是什么意思。
得去补补课再回来补完报告了。
总结¶
这篇A和之后的一篇B挺像的（B引用了A），B的作者里有没有A 呢？
总结不出来什么内容。
这里一个分布， 那里一个分布， 我就没思考为什么用这个、那个分布。推断部分的两个算法都不认识。
最后的实验也没看。还是要看实验才行， 实验看多了， 才能估计模型、方法有没有效果吧。