[論文レビュー] Modeling and Predicting Popularity Dynamics via Reinforced Poisson Processes

Huawei Shen, Dashun Wang+2 more|arXiv (Cornell University)|Jan 4, 2014

Complex Network Analysis Techniques参考文献 34被引用数 119

ひとこと要約

本稿では、個々のアイテムの人気を駆動する注目度の確率的到着を明示的に捉えるために、強化されたポisson過程（RPP）モデルを提案する。このモデルは、適性、老化効果、およびpreferential attachment（「豊かになる者がさらに豊かになる」）を統合している。100年分の引用データセット上で評価されたRPPモデルは、下位の到着プロセスを確率的にモデル化し、共役事前分布を用いたベイズ推論を可能にすることで、既存の手法よりも個々のアイテムの人気予測において優れた性能を示した。

ABSTRACT

An ability to predict the popularity dynamics of individual items within a complex evolving system has important implications in an array of areas. Here we propose a generative probabilistic framework using a reinforced Poisson process to model explicitly the process through which individual items gain their popularity. This model distinguishes itself from existing models via its capability of modeling the arrival process of popularity and its remarkable power at predicting the popularity of individual items. It possesses the flexibility of applying Bayesian treatment to further improve the predictive power using a conjugate prior. Extensive experiments on a longitudinal citation dataset demonstrate that this model consistently outperforms existing popularity prediction methods.

研究の動機と目的

• 集計された人気時間系列に依存するのではなく、個々のアイテムに対する注目度の確率的到着プロセスをモデル化する一般的な確率的フレームワークを構築すること。
• 人気動態の3つの主要なメカニズムである、固有の適性、時間的老化効果、およびpreferential attachment（「豊かになる者がさらに豊かになる」）を組み込むこと。
• 共役事前分布を用いたベイズ的取り扱いを統合することで、一般化性能の向上を実現し、頑健で正確な人気予測を可能にすること。
• 100年以上にわたる縦断的引用データセットを用いて、モデルの有効性を示し、既存の予測手法に対して一貫した優位性を示すこと。

提案手法

• 時間に依存する強度関数 $ x_d(t) = \lambda_d f_d(t; \theta_d) i_d(t) $ を持つ強化されたポisson過程（RPP）を用いて、人気動態をモデル化する。ここで $ \lambda_d $ は適性、$ f_d(t; \theta_d) $ は老化を表す緩和関数、$ i_d(t) $ は時刻 $ t $ までの累積的注目度を表す。
• 時間依存の魅力の変化をモデル化するための柔軟な緩和関数 $ f_d(t; \theta_d) $ を採用し、異なる分野や動的特性に適応可能である。
• 共役事前分布を $ \lambda_d $ に用いることで、ベイズ推論を実施し、パラメータ推定の頑健性と予測性能の向上を実現する。
• 最大尤度推定（MLE）と変分ベイズ推論を、それぞれ事前分布を用いずに、および用いる場合に適用してモデルを学習する。
• 観測された注目度の到着時刻の対数尤度に基づく勾配に基づく最適化手法を用いて、モデルパラメータを最適化する。
• 頻度主義的およびベイズ的推論を両方サポートしており、外部の分野固有の要因を事前知識を通じて組み込むことが可能である。

実験結果

リサーチクエスチョン

• RQ1 集計されたトレンドではなく、個々のアイテムの動的特性を捉えるために、アイテムへの注目度の確率的到着プロセスをどのようにモデル化できるか？
• RQ2 適性、老化、およびpreferential attachment（「豊かになる者がさらに豊かになる」）は、個々のアイテムの人気軌道にどのように寄与するか？
• RQ3 注目度の到着を明示的にモデル化する生成的確率的モデルは、決定論的時間系列に基づく人気予測手法を上回る性能を発揮できるか？
• RQ4 ベイズ的事前分布を組み込むことで、人気予測モデルの予測精度と頑健性はどの程度向上するか？
• RQ5 提案されたRPPフレームワークは、引用、ソーシャルメディア、ウェブコンテンツなど、さまざまな分野に一般化できるか？

主な発見

• RPPモデルは、100年以上にわたる縦断的引用データセットにおいて、既存の人気予測手法を一貫して上回る性能を示した。
• 人気時間系列を平滑化したものに依存するのではなく、注目度の実際の到着プロセスをモデル化することで、優れた予測精度が達成された。
• ベイズ的取り扱いによる共役事前分布の組み込みは、特にデータが限られたアイテムにおいて、予測の頑健性と精度を顕著に向上させた。
• 緩和関数の柔軟性のおかげで、引用やオンラインコンテンツで観察されるログノーマル分布やパワー則のパターンなど、さまざまな人気動態に適応可能である。
• 生成的性質を持つモデルは、将来的な人気動態研究のベンチマークフレームワークとして機能でき、分野固有の要因を組み込む基盤を提供する。