WEB のリンク構造，人の繋がりからなる 社会ネットワーク，学術論文の共著関係，あるいは生体ネットワークにおける 遺伝子対遺伝子関係など， オブジェクトの関係として表現される，いわゆる関係データ はあらゆる分野に存在する． 特に，関係データのモデリングと解析はデータマイニングや機械学習の分野において近年注目を集め ている．
本研究は，Eメールの送受信履歴など，動的に変化する関係データを解析するための新たな 確率モデルを提案する． 本モデルは，2値や頻度など，離散値をとる静的な関係データの解析に適した指 数型行列因子化 (Gordon, 2002) に対し，時間的に変動する潜在要因を取り入れた 状態空間モデルとして定式化される．データの変動を比較的少数の潜在要因によ り記述することでノイズの影響を減らし，予測性能 の向上が期待される． 我々は，提案したモデルについて逐次ベイズ学習の枠組みより， 真のパラメータの変動に追従する逐次学習アルゴリズムを導出する．
計算機実験では，一般公開されているエンロン社社員のメール送受信デー タを用い，既存手法に比べ本モデルが関係構造を適切に学習し，予測しうることを示す．