越来越多的人开始认识到，许多我们感兴趣的复杂系统——从全球经济、社会群体动力到大脑中的生化过程——需要进行整体建模，而不是独立地考虑个体单位。网络科学技术是一种流行的方法，通过将系统视为一组顶点或节点（人口的单元，例如个人）和边缘（它们之间的关系，例如友谊），来实现这种整体建模。 显然，这些复杂系统表达了各种重要属性，我们在建模时应该考虑到这些属性，而不仅仅是特定关系的存在与否。对于这项工作来说最相关的是，它们随时间演变——也就是说，它们是动态的——人口的单元可能具有不同的属性或特征，进一步使它们彼此有所区别。我们将除了简单的节点/边缘范例之外的任何这种额外信息定义为元数据。

尽管这种元数据可能有潜在的用途，但直到最近才开始将网络和元数据共同建模的方法。在本论文中，我们提供了一类新的模型，旨在找到随时间变化的网络中的群组。我们描述了该类模型的不同版本，允许网络具有加权和有向性，并避免了将具有相似度数的节点放入同一组的潜在问题。 除了详细说明这些模型外，我们还推导了在存在元数据的情况下，有效检测群组的新要求，并解释了为什么一篇最近的论文声称在类似的静态模型中实现了相同的效果，但存在缺陷。我们利用的推理方法也具有高度可扩展性，我们通过提出一种“贪婪”方案和一种递归过程进一步加速了这个过程，有效地提供了网络群组的自顶向下层次结构。

最后，我们将我们的模型作为更大方法的一部分，用于完全新颖地估计作者的影响力。我们在问题的因果框架中进行了描述，据我们所知，在这个领域之前尚未探索过，它依赖于因果推断文献中的最新思想。