Communication Dans Un Congrès Année : 2023

The Deep Latent Position Topic Model for Clustering and Representation of Networks with Textual Edges

Résumé

Numerical interactions leading to users sharing content published by others are naturally represented by a network where the individuals are associated with the nodes and the exchanged texts with the edges. To understand those heterogeneous and complex data structures, clustering nodes into homogeneous groups is crucial as well as rendering an comprehensible visualisation of the data. To address both issues, we introduce Deep-LPTM, a model-based clustering strategy relying on a variational graph autoencoder approach as well as a probabilistic model to characterise the topics of discussion. Deep-LPTM allows to build a joint representation of the nodes and of the edges in two embeddings spaces. The parameters are inferred using a variational inference algorithm. An extensive benchmark study on synthetic data is provided. In particular, we find that Deep-LPTM better recovers the partitions of the nodes than the state-of-the art ETSBM and STBM.
De nombreuses interactions numériques amènent les utilisateurs à partager du contenu publié par d'autres. Ce type de données est naturellement représenté par un réseau ayant pour noeuds les comptes des utilisateurs et pour arêtes, les documents partagés. Pour comprendre ces structures complexes et hétérogènes, il est crucial de pouvoir classifier les noeuds en groupes homogènes et d'obtenir une visualisation du réseau interprétable. Pour répondre à ces deux problématiques, nous présentons Deep-LPTM, un modèle de classification de noeuds reposant sur un auto-encodeur de graph variationnel ainsi que sur un modèle probabiliste profond pour la représentation simultanées des documents et des noeuds dans deux espaces latents. Les paramètres sont estimés à l'aide d'un algorithme d'inférence variationnelle. Le modèle est évalué sur des données synthétiques et est comparé avec l'état de l'art, à savoir ETSBM et STBM.
Fichier principal
Vignette du fichier
Deep_LPTM_JDS.pdf (750.39 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04910266 , version 1 (24-01-2025)

Identifiants

  • HAL Id : hal-04910266 , version 1

Citer

Rémi Boutin, Pierre Latouche, Charles Bouveyron, Dingge Liang. The Deep Latent Position Topic Model for Clustering and Representation of Networks with Textual Edges. 54 ème journées de statistiques de la SFDS - JDS 2023, Jul 2023, Bruxelle- Université Libre de Bruxelles (ULB), Belgium. ⟨hal-04910266⟩
0 Consultations
0 Téléchargements

Partager

More