[論文レビュー] On Temporal Regularity in Social Interactions: Predicting Mobile Phone Calls

Mehwish Nasim, Aimal Rextin+2 more|arXiv (Cornell University)|Dec 26, 2015

Human Mobility and Location-Based Analysis参考文献 14被引用数 3

ひとこと要約

この論文では、時間的パターンと最近の通話行動を用いて、外出先の携帯電話通話を予測する機械学習的手法を提案する。通話行動を曜日と時刻の特徴を用いた多クラス分類問題としてモデル化することで、トップ1予測で44%の正確性、トップ5予測で78%を超える正確性を達成し、最後のk通話や最も頻繁に通話された番号といったベースライン手法を上回った。

ABSTRACT

In this paper we predict outgoing mobile phone calls using a machine learning approach. We analyze to which extent the activity of mobile phone users is predictable. The premise is that mobile phone users exhibit temporal regularity in their interactions with majority of their contacts. In the sociological context, most social interactions have fairly reliable temporal regularity. If we quantify the extension of this behavior to interactions on mobile phones we expect that caller-callee interaction is not merely a result of randomness, rather it exhibits a temporal pattern. To this end, we tested our approach on an anonymized mobile phone usage dataset collected specifically for analyzing temporal patterns in mobile phone communication. The data consists of 783 users and more than 12,000 caller-callee pairs. The results show that users' historic calling patterns can predict future calls with reasonable accuracy.

研究の動機と目的

• 社会的日常行動の原則に基づいて、携帯電話通話行動に時間的規則性が存在するかどうかを調査すること。
• 歴史的な通話パターンと時間的特徴を用いて、将来の発信通話を予測する機械学習モデルを開発すること。
• 最後のk通話や最も頻繁に通話された番号といったベースライン手法と比較して、モデルの性能を評価すること。
• パキスタンおよび米国のデータセットを用いて、異なるユーザーポピュレーションにおける通話予測の一般化可能性を評価すること。
• より知的で効率的な携帯電話ユーザーアクセスインターフェースおよびパーソナライズドサービス提供へのインパクトを検討すること。

提案手法

• 通話予測を、次の発信通話がどの番号かを予測する多クラス分類問題としてモデル化する。
• 曜日や時刻といった時間的特徴を主な予測変数として使用する。
• 最近の通話行動を反映するために、最後のk通話の相手番号を特徴量として含める。
• 783人のユーザーや12,000組の発信者-受信者ペアの匿名化された通話ログを用いて、標準的な機械学習分類器を訓練する。
• トップk予測の正確性を用いて性能を評価し、最後のk通話や最も頻繁に通話された番号のリストと比較する。
• パキスタンのデータセットと米国のReality Miningプロジェクトのデータセットの両方でモデルをテストする。

実験結果

リサーチクエスチョン

• RQ1 社会的相互作用における時間的規則性をどれだけ活用して、将来の携帯電話通話を予測できるか。
• RQ2 時間的特徴と最近の通話行動を用いた機械学習モデルは、最後のk通話といった単純なベースラインを上回れるか。
• RQ3 予測の正確性は、異なるユーザーグループやデータセットによってどのように変化するか。
• RQ4 多様な人口集団において、周期的な通話行動の仮定が成り立つかどうか。
• RQ5 このようなモデルは、より知的で効率的な携帯電話通話インターフェースの設計にどのように寄与できるか。

主な発見

• 提案手法は、トップ1の発信通話を予測する際、44%の正確性を達成し、ベースラインの最後のk通話手法を顕著に上回った。
• トップ5の予測リストを用いることで、Reality Miningデータセットでは78%を超える正確性を達成し、大規模なスケーリングにおいても優れた性能を示した。
• パキスタンおよびReality Miningの両方のデータセットにおいて、モデルは最後のk通話および最も頻繁に通話された番号の両方のベースラインを上回った。
• 曜日や時刻といった時間的特徴が、通話行動におけるサーカディアンリズムの仮説を支持する重要な予測要因であることが示された。
• 結果から、ユーザーの通話パターンは、歴史的な時間的パターンに基づいて非常に予測可能であることが示され、インターフェース設計やサービスパーソナライゼーションへのインパクトがある。
• 本研究は、過去の研究においてあまり使われていなかった、最後のk通話というより現実的で直接的なベースラインとの比較を実施し、研究のギャップを特定した。