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
-
パラメータ学習を提案
-
人口データで実験
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
-
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を学習するのが目的
学習モデル
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)
最終更新:2014年02月18日 03:36