Topic-aware Social Influence Propagation Models
Topic-aware Social Influence Propagation Models
-
Nicola Barbieri, Francesco Bonchi, Giuseppe Manco
-
Yahoo! Research Barcelona
-
ICDM 2012
概要
-
トピックを考慮したモデルにICとLTを拡張
-
期待値最大化でパラメータを見積もる
-
上のモデルは大変なので,ちょっとパラメータ数を減らしたモデルを考案
-
実験して普通のICより良かった
Topic-awareモデル
Topic-aware Independent Cascade Model (TIC)
-
z: 1,…,Kのトピック
-
p_uv^zがuからvへのトピックzに関する重み
-
アイテムiが伝播するときにトピックの分布を考える
-
上で定義したパラメータを考慮してアイテムiに関する伝播確率は
-
p_uv^i = Σ_z γ_i^z * p_uv^z
Topic-aware Linear Threshold Model (TLT)
-
解析とか…
-
submodularなのはdirectに出る
パラメータ推定
-
(User, Item, Time)のデータを大量にとってくる
-
EMアルゴリズムで頑張る(略)
-
何が大変か?
-
パラメータ数がK(|E|+|I|)
-
やばすぎなので,次のモデルで少し減らす
AIR(Authoritativeness-Interest-Relevance) モデル
-
p_v^z: トピックzに関するvのauthoritativeness
-
θ_u^z = Pr(Z=z | u): 興味
-
φ_i^z: 関連性の重み
実験
-
DiggとFlixster
-
精度の確認
-
IC,TIC,AIRを比較
-
Activation Test: <u,i>についてチェック
-
Selection Probabilities:
-
Activation Time (Influence Episodes): 時刻?
-
とりあえず,上の基準それぞれをROCカーブで見てみるとAIRが良いらしい?
-
Influence Maximization
-
トピック有りの方が無しより上手くいくね
-
アイテムによってかなりinfluence spreadの値が変わるね
まとめ
-
トピック依存なのは重要だ
-
トピック毎に分けたらイカンのか?
-
パラメータ推定はこの時期になると結構上手くいっているのかな?
ICDM inference information diffusion modeling
2014-03-15 05:46:06 (Sat)
最終更新:2014年03月15日 05:46