我们考虑一种社交网络，从该社交网络不仅可以观察网络结构（即节点和边缘），还可以观察到每个节点（或用户）的一组标签（或标签，关键字）。 这些标签是自创建的，并且与用户的职业状态，生活方式，个人兴趣等密切相关。 因此，它们对在线营销非常感兴趣。 为了使用网络结构对他们的联合行为进行建模，开发了完整的数据模型。 该模型基于经典的p1模型，但允许往复参数取决于标签。 通过仅关注连接对，可以将完整的数据模型概括为条件模型。 与完整的数据模型相比，条件模型仅指定了连接对的条件似然。 结果，它遭受模型错误指定的风险较小。 此外，由于条件模型仅涉及连接对，因此计算成本低得多。 所得的估计量是一致的，并且渐近为正态。 根据网络稀疏性级别，收敛速度可能会有所不同。 为了证明其有限的样本性能，提出了数值研究（基于模拟和真实数据集）。
