随机块模型(SBM)最近在社交网络分析领域备受关注和统计机器学习,因为它使我们能够分解然后分析探索性网络,而无需知道有关其内在结构的任何先验信息。 但是,过高的计算成本限制了SBM 具有对具有数百个节点的小型网络进行模型选择的学习算法。 本文介绍精巧的SBM及其快速学习算法(称为FSL),该算法巧妙地结合了组件级EM (CEM)算法和最小消息长度(MML)一起实现参数估计的并行学习和模型评估。 FSL大大降低了学习算法的时间复杂度,并扩展为具有数千个节点的网络。 实验结果表明,FSL可以通过大大减少学习时间,同时保持竞争性学习准确性,从而在有效性和效率之间取得最佳平衡。 此外,值得注意的是,我们提出的方法通过链接预测的应用显示了其出色的泛化能力。