排序数据与社交网络的联合潜在空间模型

基于摘要分析。本文研究个体的排序偏好与社交网络通常被分别建模的问题，提出联合概率模型，以个体和物品在共同潜在空间中的位置同时刻画社交关系与物品排序。主要贡献是为两类关联数据建立统一建模框架，并配套贝叶斯推断和模型检验方法。 机制上，模型假设社交网络与排序均由个体及物品的潜在位置支配。作者基于 MCMC 算法开展贝叶斯推断，涉及参数估计、模型选择、拟合评价，以及在给定个体潜在位置后，个体排序与社交网络是否条件独立的检验。摘要未给出具体概率分布、位置与观测之间的映射、先验设定或采样更新规则，不能据此判断其计算复杂度与适用规模。 作者报告，模拟研究支持这些方法用于参数估计、拟合评价、模型选择和条件独立性检验，但摘要未提供模拟设置、对照方法及定量结果。实证部分使用 CiaoDVD dataset，其中包含用户信任关系及对 DVD 类别的隐式偏好；样本规模、偏好构造方式和评估协议尚未验证。 本文的主要研究对象是社会关系与偏好排序，而非神经信号或 BCI。现有材料未建立其潜在空间假设与 EEG 数据结构之间的具体对应关系，因此不据此推断 BCI 有效性，也不提出迁移实验建议。实验协议、消融及统计信息尚未验证。