利用 Linear Dynamical Topic Model 推断潜在空间中的时序社会相关性

基于摘要分析。该研究针对在线用户物品采纳数据的高维、稀疏特征，提出 Linear Dynamical Topic Model（LDTM），在潜在主题空间中刻画用户行为随时间的变化，并利用主题分布时间序列进行 Granger 因果检验，以推断用户之间的时序社会相关性。 核心机制分为两步：先由 LDTM 学习用户的时变主题分布，再对用户对的主题分布时间序列进行 Granger 因果检验。作者将这一组合称为 Temporal Social Correlation。原研究对象是社会关系与研究主题互动，而非神经信号；其思路是把关系分析从原始采纳空间移到潜在空间。摘要未提供模型的具体状态演化方程、观测模型、学习目标或推断算法，尚不能将其等同于现代神经网络式 state space model。 作者报告，在将作者视为用户的书目数据实验中，论文署名顺序对作者之间研究主题的互动具有统计显著影响，并通过案例展示作者对之间的相关关系。摘要未给出数据规模、时间粒度、检验统计量、显著性阈值或对照结果；实验协议、消融及统计信息尚未验证。Granger 因果检验反映时间序列中的预测关系，不能据此认定真实社会影响的因果机制，署名顺序的含义也需结合正文核对。 平台推测（待验证）：可迁移的假设是“先学习低维动态表示，再检验时序预测关系”可能用于探索 EEG 通道或脑区之间的交互，但用户—物品采纳记录与连续 EEG 波形的数据结构不同。潜在表示模块需要改造成适配 EEG 的观测模型，低信噪比、共同输入、通道混合、跨被试差异及短时间序列都可能造成不稳定或伪相关。一个可证伪的小实验是，在具有已知方向关系、共同驱动及不同噪声水平的合成多通道信号上，对比原始空间与潜在空间的 Granger 检验，检查方向恢复和假阳性是否改善；这不构成已验证的 BCI 效果。已有 EEG 相关工作尚未检索确认。复现原研究仍需取得全文，核对数据构建、时间划分、模型估计与多重检验处理。