[論文レビュー] Spatio-Temporal Modeling of Users' Check-ins in Location-Based Social Networks

Ali Zarezade, Sina Jafarzadeh+1 more|arXiv (Cornell University)|Nov 23, 2016

Human Mobility and Location-Based Analysis参考文献 45被引用数 6

ひとこと要約

本論文は、位置ベースのソーシャルネットワーク（LBSN）におけるユーザーチェックインを対象に、周期的二重確率点過程を時間に、時間に依存する多項分布を場所に用いる確率的時空間モデルを提案する。両者とも、友人のチェックイン履歴に影響を受ける。本モデルは、Foursquareデータ上で分散EMアルゴリズムを用いて学習され、ベースラインと比較して時間予測で最大35%、場所予測で最大43%の精度向上を達成した。

ABSTRACT

Social networks are getting closer to our real physical world. People share the exact location and time of their check-ins and are influenced by their friends. Modeling the spatio-temporal behavior of users in social networks is of great importance for predicting the future behavior of users, controlling the users' movements, and finding the latent influence network. It is observed that users have periodic patterns in their movements. Also, they are influenced by the locations that their close friends recently visited. Leveraging these two observations, we propose a probabilistic model based on a doubly stochastic point process with a periodic decaying kernel for the time of check-ins and a time-varying multinomial distribution for the location of check-ins of users in the location-based social networks. We learn the model parameters using an efficient EM algorithm, which distributes over the users. Experiments on synthetic and real data gathered from Foursquare show that the proposed inference algorithm learns the parameters efficiently and our model outperforms the other alternatives in the prediction of time and location of check-ins.

研究の動機と目的

• 位置ベースのソーシャルネットワーク（LBSN）におけるユーザ行動の時空間的挙動をモデル化し、将来のチェックインをより正確に予測すること。
• ユーザーチェックイン行動における周期的時間的パターン（例：毎日のルーティン）を捉えること。
• 友人の最近のチェックインが、ユーザの場所選択に与える影響を、相互に誘発する効果を用いてモデル化すること。
• 複数のユーザにわたるモデルパラメータを効率的に学習するスケーラブルな推論アルゴリズムを開発すること。
• インフルエンスネットワークの同定、場所推薦、行動制御などの応用を可能にすること。

提案手法

• 時間的周期性を捉えるために、周期的減衰カーネルを用いた二重確率点過程を用いてチェックインの時刻をモデル化する。
• 友人の最近のチェックイン履歴に影響を受ける時間に依存する多項分布を用いて、チェックインの場所をモデル化する。
• 友人の影響要因において、過去の遠い出来事の影響を低下させるために指数的減衰カーネルを組み込む。
• 計算をユーザごとに並列化することで、効率的なモデルパラメータ学習を実現する分散EMアルゴリズムを採用する。
• 友人の影響とは独立して新しい場所を探索するユーザをモデル化するための潜在的パラメータηを導入する。
• 時間的周期性と社会的影響を統合的に捉える生成的確率的フレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 周期的減衰カーネルを用いた確率的点過程により、ユーザーチェックイン時刻の周期的パターンを効果的にモデル化できるか？
• RQ2 ユーザのチェックイン場所は、友人の最近のチェックイン活動にどの程度依存しているか？
• RQ3 時間に依存する多項分布モデルは、場所選択に及ぼす社会的影響を効果的に捉えられるか？
• RQ4 提案手法は、既存手法と比較して、将来のチェックイン時刻および場所の予測において優れているか？
• RQ5 モデルの構造は、実際のLBSNデータに観察される経験的パターンと整合しているか？

主な発見

• 提案手法は、1時間以内の予測誤差を満たすチェックインの割合を指標として、競合手法と比較して最大35%の時間予測精度向上を達成した。
• k=1における場所予測精度は43%向上し、11%の精度を達成した（ベースラインは約7%）。
• NDCG@kの結果は一貫した優位性を示し、異なるk値において30〜50%の向上を示し、真の場所の順位付けが優れていることを示した。
• 経験的分析により、80%のユーザが友人のチェックインに影響を受けることが確認され、社会的影響要因の妥当性が裏付けられた。
• 実データにおいて、1日、2日、3日以上という間隔でイベントの再発生ピークが強く観察され、周期的挙動が効果的に捉えられていることが確認された。
• 分散EMアルゴリズムは、パラメータを効率的に学習でき、トレーニングデータサイズの増加に対しても良好にスケーリングされた。