给一群用户分组，只看谁和谁互动，可能漏掉重要线索：两人联系不多，长期热量记录却呈现相似规律。Zuofeng Shang 等提出函数型随机块模型，把节点之间的连边和每个节点携带的一整条曲线放进同一个分群过程。随机块模型（SBM）是一种按连边概率寻找隐藏群组的经典模型；函数型数据则把整条时间曲线视为一个观测对象，而不是拆成彼此无关的时点。
这套方法既用曲线信息辅助识别网络社区，也检验这些曲线是否真的为分群提供了显著信息。计算上，作者采用变分推断——用较容易计算的分布近似复杂模型的推断结果，以提高估计效率。论文以国际贸易网络中的国家 GDP 曲线和 MyFitnessPal 用户的每日热量曲线说明应用场景。
作者还给出了社区识别一致性、检验统计量渐近性质等理论结果，并在模拟与真实数据上考察方法，同时提供曲线影响斜率的逐点置信区间。摘要未披露具体数据集规模或效果数字，因此目前更值得关注的是它提供的联合分析框架，而非某项性能提升。