Most real-world networks evolve over time. Existing literature proposes
models for dynamic networks that are either unlabeled or assumed to have a
single membership structure. On the other hand, a new family of Mixed
Membership Stochastic Block Models (MMSBM) allows to model static lab
该研究提出了一种用于聚合来自不同信息源的多个聚类的原始方法，使用多层随机块模型（SBM）的混合来将具有相似信息的共成员矩阵分组为组件，并将观测分割为不同的聚类，考虑它们在组件内的特定性。该方法对模型参数的可识别性进行了建立，并提出了一种变分 Bayesian EM 算法来估计这些参数，通过贝叶斯框架选择了最佳的聚类和组件个数。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较，最后将该方法应用于全球食品贸易网络的分析，得到了有趣的结构。