[논문 리뷰] Correlated Cascades: Compete or Cooperate

Ali Zarezade, Ali Khodadadi외 3명|arXiv (Cornell University)|2015. 10. 04.

Diffusion and Search Dynamics참고 문헌 40인용 수 8

한 줄 요약

이 논문은 사회적 네트워크에서 상호 연관된 확산을 모델링하기 위해 다차원 표시된 하크스 프로세스를 제안한다. 여기서 사용자의 행동 수용은 주변 사용자 영향에 의해 이뤄진다. 이 방법은 볼록 최적화를 통해 잠재적 확산 네트워크와 모델 파라미터를 동시에 학습하며, 혼합된 경쟁-협력 역학을 보이는 트위터 데이터셋에서 실제 확산을 예측하는 데 기존 방법들을 능가한다.

ABSTRACT

In real world social networks, there are multiple cascades which are rarely independent. They usually compete or cooperate with each other. Motivated by the reinforcement theory in sociology we leverage the fact that adoption of a user to any behavior is modeled by the aggregation of behaviors of its neighbors. We use a multidimensional marked Hawkes process to model users product adoption and consequently spread of cascades in social networks. The resulting inference problem is proved to be convex and is solved in parallel by using the barrier method. The advantage of the proposed model is twofold; it models correlated cascades and also learns the latent diffusion network. Experimental results on synthetic and two real datasets gathered from Twitter, URL shortening and music streaming services, illustrate the superior performance of the proposed model over the alternatives.

연구 동기 및 목표

• 독립적으로 다루는 것 대신, 행동이 경쟁하거나 협력하는 다중 상관 확산을 모델링하기 위해.
• 사용자의 이웃 영향을 받는 자극적 성격을 반영하는 연속시간, 데이터 기반 모델을 개발하기 위해.
• 관측된 확산 사건들로부터 잠재적 확산 네트워크 구조와 모델 파라미터를 동시에 추론하기 위해.
• 혼합된 경쟁-협력 역학을 보이는 사회 네트워크에서 향후 사건의 예측 정확도를 향상시키기 위해.
• 바rier 방법을 사용한 효율적이고 볼록 최적화 프레임워크를 통해 파라미터 학습을 제공하기 위해.

제안 방법

• 이웃 사용자 행동의 가중 합으로 사용자 수용 강도를 모델링하여 사회적 영향의 강화 효과를 반영한다.
• 다차원 표시된 하크스 프로세스를 사용하여 다중 상관 확산의 시간적 역학을 표현한다.
• 표시된 사건을 사용하여 사용자 결정을 인코딩하며, 표시는 특정 행동 또는 채택된 제품을 나타낸다.
• 바rier 방법을 통한 볼록 최적화를 적용하여 모델 파라미터와 잠재적 네트워크 구조를 동시에 병렬로 학습한다.
• 볼록 추론 문제로 이어져 전역 수렴성과 확장성을 보장한다.
• 과적합을 방지하기 위해 네트워크 학습에서 희박성과 함께 역 $oldsymbol{ heta}$-정규화를 통합한다.

실험 결과

연구 질문

• RQ1 연속시간 모델이 사회 네트워크에서 다중 확산에 걸쳐 경쟁적이고 협력적인 행동을 효과적으로 포착할 수 있는가?
• RQ2 통합 모델이 관측된 확산 데이터로부터 잠재적 확산 네트워크를 얼마나 잘 추론할 수 있는가?
• RQ3 제안된 모델이 향후 사건 예측에서 독립적 또는 순수 경쟁적 확산 모델보다 뛰어나게 성능을 발휘하는가?
• RQ4 실제 데이터에서 혼합된 경쟁-협력 역학을 보이는 경우, 예를 들어 음악 및 URL 서비스에서 모델의 성능은 어떠한가?
• RQ5 볼록 최적화 프레임워크가 실세계 데이터셋에 효율적으로 확장되면서도 예측 정확도를 유지할 수 있는가?

주요 결과

• 제안된 모델은 합성 및 실세계 데이터셋 모두에서 가장 높은 테스트 로그우도를 달성하여 뛰어난 예측 성능을 보였다.
• 트위터 음악 데이터셋에서, 이는 혼합된 경쟁-협력 성격을 지닌 데이터셋임에도 불구하고 독립 확산(IC) 및 경쟁 제품(CP) 모델을 능가했다.
• 기타 대비 더 높은 피어슨 상관계수와 역 $oldsymbol{ heta}$-거리로 실제 테스트 이벤트 곡선과의 시간적 일치도가 뛰어나, 더 나은 시간 정렬을 확인했다.
• CP 모델은 특히 두 개의 제품만 존재하는 음악 데이터셋과 같은 저제품 설정에서 과적합으로 인해 성능이 크게 떨어졌다.
• 제안된 방법은 훈련 세트 크기 변화에 관계없이 일관된 성능을 유지하였으며, 더 많은 훈련 데이터가 제공될수록 로그우도가 점진적으로 증가했다.
• 시각적 분석을 통해 모델의 예측 강도 곡선이 실제 테스트 데이터와 매우 유사하게 장기 추세와 주요 사건 군집을 잘 반영하는 것으로 확인되었다.