Information Diffusion and External Influence in Networks
-
Seth Myers, Chenguang Zhu, Jure Leskovec
-
In KDD 2012
メモ
アブスト
-
influence の始まりってどこ?ってのを考える
-
influence の伝わり方は2パターンある
-
新しいモデル
-
Twitterに適用
-
完全なひと月のデータ
-
情報がネットワークをジャンプしている
-
以下が明らかに!!!
定義された用語
-
exposures: ノードが情報をゲット
-
infections: その情報をツイートした
-
exposure curve: ノードがexposureされた回数からそのノードがinfectする確率
-
あるところから、情報を見る度に目新しさが無くなる
-
ともーじゃん?
-
学術的内容だったら、どんどん知識が増えていくので確率が増える
-
これを上手く推定する
-
contagion: 何か出現した情報
提案モデル
先に記号を定義
Event Profile
-
時刻tで外部からもらう確率
-
$$ \lambda_{ext}(t) $$
Internal Hazard Function
-
近傍に伝搬させる確率みたいな
-
$$ \lambda_{int}(t) $$
Exposure Curve
-
$$ \eta(x) = \frac{\rho_1}{\rho_2}x \exp\left( 1-\frac{x}{\rho_2} \right) $$
-
exposureに従い採用する確率
-
ρ2で最大値ρ1をとる
-
ρ2まではlogっぽく上がる
-
ρ2からは指数関数っぽく下がる
Exposure Distribution
-
ノードiがn exposureを時刻tまでにもらう確率
-
$$ P^{(i)}_{exp}(n;t) $$
ネットワーク内部
-
influence と同じ感じ
-
hazard function なるものを使う
-
internal hazard function
-
$$ \lambda_{int}(t)dt $$
ネットワーク外部
-
event profile で
-
$$ \lambda_{ext}(t)dt $$
パラメタ推定
-
$$ \lambda_{ext}(t), \rho_1, \rho_2 $$ を推定しよう
-
色々頑張る、めんどいので略
実験
人工データ
実データ
-
ρの値について結構調べている
-
29%はネットワーク外!!
結論
-
We should emphasize that our model does not only reliably capture the external influence but, as a consequence, also leads to a more accurate description of the real network diffusion process.
メモ
-
スライドを先読んでたからかもしれんが全体的に構成がうまお
-
モチベーションが有って(外部からの情報を考慮
-
妥当にモデリングして(関数ね
-
フィッティングできる
-
で、実データから新たな知見を得る
KDD information diffusion
2013-10-16 03:19:42 (Wed)
最終更新:2013年10月16日 03:19