[논문 리뷰] Event Organization 101: Understanding Latent Factors of Event Popularity

Shuo Zhang, Qin Lv|arXiv (Cornell University)|2017. 09. 06.

Human Mobility and Location-Based Analysis참고 문헌 3인용 수 9

한 줄 요약

이 논문은 메이트업에서 그룹이 주최하는 이벤트의 상대적 인기도를 예측하기 위해 문맥적 특징(공간, 그룹, 시간, 의미)과 그룹별 특화된 사회적 영향을 통합하는 통합 프레임워크인 CASINO를 제안한다. 사회적 확산 네트워크를 통해 잠재적 요인을 모델링하고, CART 기반 회귀를 통해 이를 결합함으로써 CASINO는 뉴욕에서 0.758, 런던에서 0.723, 시드니에서 0.718의 R² 스코어를 기록하여 기준 방법들을 뚜렷이 앞서며 높은 예측 정확도를 확보한다.

ABSTRACT

The problem of understanding people's participation in real-world events has been a subject of active research and can offer valuable insights for human behavior analysis and event-related recommendation/advertisement. In this work, we study the latent factors for determining event popularity using large-scale datasets collected from the popular Meetup.com EBSN in three major cities around the world. We have conducted modeling analysis of four contextual factors (spatial, group, temporal, and semantic), and also developed a group-based social influence propagation network to model group-specific influences on events. By combining the Contextual features And Social Influence NetwOrk, our integrated prediction framework CASINO can capture the diverse influential factors of event participation and can be used by event organizers to predict/improve the popularity of their events. Evaluations demonstrate that our CASINO framework achieves high prediction accuracy with contributions from all the latent features we capture.

연구 동기 및 목표

• 실세계 EBSN에서 그룹 주최 이벤트의 인기도에 영향을 주는 잠재적 요인을 식별하고 모델링하기 위해.
• 다양한 문맥적 요인과 사회적 영향 요인을 포괄하는 통합 예측 프레임워크를 개발하기 위해.
• 이벤트 주최자와 EBSN 플랫폼이 이벤트 성공을 향상시키기 위해 활용할 수 있는 실질적인 통찰을 제공하기 위해.
• 더 유의미한 예측을 위해 그룹 카테고리 평균에 상대적인 이벤트 인기도를 정규화하기 위해.
• 다양한 유형의 사회적 그룹에서 개별 요인의 예측 능력이 어떻게 다를지 평가하기 위해.

제안 방법

• 100m 반경 내 지역의 제닝스 위치 품질과 이벤트 경쟁력으로 공간적 영향을 모델링한다.
• 사용자 영향이 이벤트 참석에 미치는 영향을 추적하는 확산 네트워크를 통해 그룹별 특화된 사회적 영향을 정의한다.
• 시간 감쇠 함수를 사용하여 시간적 특징을 구성하며, η = 0.01과 1.5마일 반경을 사용해 공간 모델링을 수행한다.
• 이벤트 제목과 설명에 TF-IDF를 적용하여 의미적 특징을 통합하여 주제 관련성을 포착한다.
• 문맥적 특징에 대해 CART 모델을 훈련하고, 사회적 영향의 잔차 모델링을 통해 예측을 정밀화한다.
• 검증 데이터에서 최소 제곱 오차의 BFGS 최적화를 통해 모델 파라미터를 최적화한다.

실험 결과

연구 질문

• RQ1 EBSN에서 이벤트 인기도에 가장 크게 기여하는 요인은 공간, 시간, 의미, 그룹 수준의 어떤 문맥적 요소인가?
• RQ2 개별 사용자 선호도 외에 그룹별 특화된 사회적 영향은 이벤트 참석에 어떻게 영향을 미치는가?
• RQ3 다양한 유형의 사회적 그룹(예: 하이킹 vs. 글쓰기)은 이벤트 성공에 대해 어떻게 다른 영향 패턴을 보이는가?
• RQ4 문맥적 요소와 사회적 영향 요소를 통합한 통합 프레임워크는 기준 방법보다 이벤트 인기도 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ5 다양한 도시와 그룹 카테고리에서 개별 특징의 기여도 비율은 어떻게 달라지는가?

주요 결과

• CASINO는 뉴욕에서 R² = 0.758, 런던에서 R² = 0.723, 시드니에서 R² = 0.718의 스코어를 기록하여 세 도시 모두에서 높은 예측 정확도를 입증했다.
• 기준 방법인 단순 평균법(NM)은 평균적으로 R² = 0.165에 머물러 있어 단순 평균화로는 정확한 예측이 불가능함을 시사한다.
• SVD-MFN 기준 방법은 이벤트 참석 분포의 비대칭성으로 인해 성능이 열악했으며(R² < 0.31), 사용자 수준 모델이 인기도 예측에 한계를 가짐을 보여준다.
• Cont(문맥 전용)에서 CASINO(-)로, 그리고 CASINO로의 향상은 문맥적 특징과 사회적 영향 모델링의 효과를 입증한다.
• 최적의 파라미터로 R = 1.5마일과 η = 0.01을 설정함으로써, 모든 지역에서 모델 성능이 안정적임을 확인했다.
• 프레임워크는 그룹별 특화된 사회적 영향이 핵심 요소임을 드러내었으며, 다양한 그룹 카테고리 간에 뚜렷한 영향 패턴의 차이를 관찰했다.