Learning Diffusion Probability based on Node Attributes in Social Networks - todo314 @ ウィキ

Learning Diffusion Probability based on Node Attributes in Social Networks

• Kazumi Saito, Kouzou Ohara, Yuki Yamagishi, Masahiro Kimura, Hiroshi Motoda
• ISMIS 2011

概要

• 拡張した情報拡散モデル
  • 時間遅延付き
  • 頂点属性付き（新しい）
• パラメータ学習を提案
• 人口データで実験
  • 上手くいった！

AsICモデル

• 実際の情報拡散は離散時間なワケがない
• p_uv: 伝播確率
• r_uv: 遅延時間のパラメータ
  • 遅延時間は指数分布
• 頂点属性
  • 頂点vはJ個の属性を持つ，j番目はv_j
  • x_uvはx_uv[j] = f_j(u_j,v_j)で定義されるベクトル
  • u_j,v_jが数値ならexp(-|u_j-v_j|)
  • u_j,v_jが他のなら1-[u_j=v_j]に設定
  • 但しx_uv[0] = 1
• p_uv = 1/[1+exp(-θ^Tx_uv)], r_uv = exp(φ^Tx_uv)
  • θ,φはベクトルの重みの付け方と思えば良い
• θ,φを学習するのが目的

学習モデル

• 省略，機械学習の何か
• 収束はするらしい

実験

• そんなに大きくないデータ
• 10種類くらいの属性を用意
• θ,φの再現精度は微妙，何とも言えない
• influence spreadの再現性
  • 真の値でソートして，対応する位置に，提案手法でだしたσ，てきとーに出したσをプロット
  • 提案手法はかなり良い位置に収まっているように見える

まとめ

• こういうパラメータ推定は機械学習の知識が必須だなあと思った
• 複雑そうに見えるけど，パラメータが以外と少ないし，式も扱いやすいのかな？

ISMIS inference

2014-02-18 03:36:46 (Tue)