Learning Continuous-Time Information Diffusion Model for Social Behavioral ... - todo314 @ ウィキ

Learning Continuous-Time Information Diffusion Model for Social Behavioral Data Analysis

• Kazumi Saito, Masahiro Kimura, Kouzou Ohara, Hiroshi Motoda
• ACML 2009

概要

Continuous-Time Independent Cascade Model

• r_uv: 時間遅延パラメータ
• κ_uv: 伝播確率
• 時刻tでuがactiveになったら，
• vを時刻t+δに確率κ_uvでactiveにする
  • δはr_uvからきまる指数分布
• 学習したいパラメータ
  • パラメータはrとκ
  • カスケードの観測データD_Mは各頂点がactiveになった時刻からなる

提案手法

• 尤度最大化
  • L(r,k; D_M)

実験

• パラメータ推定と高影響力な頂点の抽出
• グラフは2つ
  • 10K頂点，200K辺位
• 確率は0.1と0.01
• 訓練データはランダムに選んだ頂点からシミュレート
• σ(v)はICと解釈しても問題無い
  • 時間遅延があるだけだから，確率は変わらない
• 推定の実験結果
  • 真の値との相対誤差を見ている
  • カスケード数が100とかで1%未満になっている
• 高影響力頂点の抽出
  • 真のtop kの頂点集合との一致数を見ている

実世界のブログデータへの適用

• トピックの拡散の様子を調べたい！
• Doblogを使う
  • NTTデータのブログサービス，既に終了している
• 7,000URLを抽出
• 200くらいのカスケードを取得
• κとrをプロットしてみる
• ミュージカル・バトンは割りと速い？
• 迷子に関するものも速い
• それっぽい傾向はあるっぽい
• トピック毎の性質を上手く抽出できているはず！

まとめ

• モデルの難しさはどの位が良いのだろう…
  • 簡単すぎるとうまくフィットしないし，複雑だとまともに学習できなさそう
  • このモデルは割りと唐突にこれ使うよ，みたいな感じだった
  • 既に提案されたいい感じのモデルで学習した，だけとかじゃだめかな…

inference ACML influence maximization modeling

2014-03-18 00:35:34 (Tue)