[論文レビュー] Inferring Multiplex Diffusion Network via Multivariate Marked Hawkes Process

Peiyuan Sun, Jianxin Li+3 more|arXiv (Cornell University)|Aug 24, 2018

Diffusion and Search Dynamics参考文献 19被引用数 3

ひとこと要約

本稿では、多変量マーク付きハーケス過程とトピックモデリングを組み合わせることで、イベントのタイムスタンプとコンテンツ意味を活用して、マルチプレックス社会的ネットワーク構造をベイジアン生成モデルとして推論するMultiplex Diffusion Model (MDM) を提案する。MDM は、層間ネットワーク構造と影響力の強さを同時に推論し、合成データおよび実世界のデータセットにおいて、ベースラインを上回るネットワーク推論 AUC を達成する。

ABSTRACT

Understanding the diffusion in social network is an important task. However, this task is challenging since (1) the network structure is usually hidden with only observations of events like "post" or "repost" associated with each node, and (2) the interactions between nodes encompass multiple distinct patterns which in turn affect the diffusion patterns. For instance, social interactions seldom develop on a single channel, and multiple relationships can bind pairs of people due to their various common interests. Most previous work considers only one of these two challenges which is apparently unrealistic. In this paper, we study the problem of \emph{inferring multiplex network} in social networks. We propose the Multiplex Diffusion Model (MDM) which incorporates the multivariate marked Hawkes process and topic model to infer the multiplex structure of social network. A MCMC based algorithm is developed to infer the latent multiplex structure and to estimate the node-related parameters. We evaluate our model based on both synthetic and real-world datasets. The results show that our model is more effective in terms of uncovering the multiplex network structure.

研究の動機と目的

• イベントのタイムスタンプとコンテンツしか観測できない、隠れたマルチプレックスネットワーク構造の推論という課題に対処すること。
• 同じノードペア間で共存する複数の相互作用層（例：政治、スポーツ、ライフスタイル）における非一様な影響パターンをモデル化すること。
• トピックモデリングを介してコンテンツ意味を統合し、マルチプレックスネットワーク内の異なる拡散チャネルを区別すること。
• 複雑で階層的なネットワーク構造における事後分布の計算が困難な状況に対処できるスケーラブルな推論アルゴリズムを開発すること。
• マルチプレックス性とコンテンツ駆動の影響経路を明示的にモデル化することで、ネットワーク構造推論の正確性を向上させること。

提案手法

• 複数の相互作用層にわたる拡散の時間的ダイナミクスをモデル化するための多変量マーク付きハーケス過程を定式化する。
• 混合所属トピックモデルを統合し、各拡散イベントにコンテンツトピックを割り当てることで、層固有の影響モデル化を可能にする。
• メトロポリス・インサイド・ギブス MCMC アルゴリズムを用いて、潜在的なマルチプレックスネットワーク構造、影響パラメータ、トピック割り当てを同時に推論する。
• エッジにスレート・アンド・スパイク事前分布を適用し、スパarsity を促進するとともに、マルチプレックス構造の発見を支援する。
• 各ノードの影響力を、各層におけるトピック固有の伝搬レートの関数としてモデル化する。
• イベントのタイムスタンプとテキストコンテンツの両方を活用し、同じノードペア間の複数の相互作用チャネルを区別可能にする。

実験結果

リサーチクエスチョン

• RQ1 タイムスタンプ付きでコンテンツ豊富な拡散イベントから、統一された確率的モデルがマルチプレックスネットワーク構造と影響パラメータを同時に推論できるか？
• RQ2 トピック情報の統合が、イベント時刻のみに依存するモデルと比較して、隠れたネットワーク構造推論の正確性をどの程度向上させるか？
• RQ3 コンテンツ類似性と時間的拡散パターンに基づいて、モデルが階層的コミュニティ構造をどの程度正確に検出できるか？
• RQ4 ネットワークの複雑さが変化する状況において、モデルのネットワーク推論 AUC が最先端のベースラインと比較してどの程度の性能を示すか？
• RQ5 層の数を増加させることで、モデルの推論性能とスケーラビリティにどのような影響が生じるか？

主な発見

• MDM モデルは、すべての3つの実世界データセットにおいて、ベースラインモデルを上回るネットワーク推論 AUC を一貫して達成しており、特に最小のデータセット（dataset1）で最も高い性能を示した。
• 層の数が増加するにつれて性能がわずかに低下する傾向を示し、これは各層におけるイベント密度が不足しているため、信頼性のある学習が困難になることが原因とされる。
• エッジあたりの平均イベント数が高いデータセットでは AUC が向上しており、より豊富なデータがある場合にモデルの性能が向上していることを示している。
• コンテンツ意味を統合することで、同じノードペア間の複数の相互作用チャネルを区別する能力が顕著に向上した。
• モデルは、拡散イベントのコンテンツに基づいて、政治、スポーツ、ライフスタイルなどのトピック好みに一致するコミュニティ構造を効果的に検出できた。
• MCMCに基づく推論アルゴリズムは、事後分布の計算が困難な状況でも効果的に探索でき、ネットワーク構造、影響力の強さ、トピック所属の同時推定を可能にした。