[논문 리뷰] Location Prediction: Communities Speak Louder than Friends

Jun Pang, Yang Zhang|arXiv (Cornell University)|2014. 08. 06.

Human Mobility and Location-Based Analysis참고 문헌 47인용 수 4

한 줄 요약

이 논문은 인간 이동 예측을 위한 커뮤니티 인식 기반 접근법을 제안하며, 개인의 친구보다는 사회적 커뮤니티가 사용자 위치 선택에 더 강력하고 맥락에 특화된 영향을 미친다는 것을 보여준다. 사회적 다양성을 측정하기 위해 '커뮤니티 엔트로피'를 도입하고 커뮤니티 수준의 데이터를 기반으로 기계학습을 수행함으로써, 모델은 높은 예측 정확도를 달성하며, 특히 사회적 커뮤니티가 다양한 사용자들에 대해 친구 기반 방법을 능가한다.

ABSTRACT

Humans are social animals, they interact with different communities of friends to conduct different activities. The literature shows that human mobility is constrained by their social relations. In this paper, we investigate the social impact of a person's communities on his mobility, instead of all friends from his online social networks. This study can be particularly useful, as certain social behaviors are influenced by specific communities but not all friends. To achieve our goal, we first develop a measure to characterize a person's social diversity, which we term `community entropy'. Through analysis of two real-life datasets, we demonstrate that a person's mobility is influenced only by a small fraction of his communities and the influence depends on the social contexts of the communities. We then exploit machine learning techniques to predict users' future movement based on their communities' information. Extensive experiments demonstrate the prediction's effectiveness.

연구 동기 및 목표

• 사회적 커뮤니티가 개인의 이동 패턴에 미치는 영향을 개인의 친구가 아닌 커뮤니티 기반으로 영향을 분석하는 것.
• 새로운 지표인 '커뮤니티 엔트로피'를 사용해 사용자의 사회적 다양성을 정량화하는 것.
• 커뮤니티 수준의 사회적 정보를 기반으로 기계학습 기반의 위치 예측 모델을 개발하는 것.
• 기존의 친구 기반 접근 방식과 비교해 커뮤니티 기반 예측의 효과성을 평가하는 것.
• 커뮤니티 영향력이 시간적 및 공간적 맥락에 어떻게 영향을 미치는지 탐구하는 것.

제안 방법

• 사용자의 친구들이 사회적 네트워크 그래프 기반의 커뮤니티 탐지 알고리즘을 사용해 상호 중복되지 않는 커뮤니티로 분할된다.
• 사용자의 친구들이 커뮤니티에 어떻게 분포되어 있는지에 기반해 사회적 다양성을 정량화하기 위해 새로운 지표인 '커뮤니티 엔트로피'가 제안된다.
• 커뮤니티 활동 패턴과 시간-공간 맥락 등의 커뮤니티 소속에서 유도된 특징을 사용해 기계학습 분류기가 훈련된다.
• 모델은 사용자 고유의 이력 데이터를 요구하지 않고 오직 커뮤니티 정보만을 기반으로 향후 체크인 위치를 예측한다.
• 모델 성능을 검증하기 위해 두 개의 실세계 데이터셋(Gowalla 및 Foursquare)을 사용해 실험을 수행한다.
• 정밀도, 재현율, F1 점수와 같은 표준 평가 지표를 사용해 커뮤니티 기반 및 친구 기반 모델의 예측 성능을 비교 평가한다.

실험 결과

연구 질문

• RQ1 사회적 커뮤니티가 개인의 이동에 미치는 영향은 개인의 친구보다 어떻게 다를까?
• RQ2 어떤 커뮤니티가 사용자의 위치 선택에 가장 큰 영향을 미치며, 일반적으로 사용자를 영향받는 커뮤니티의 수는 얼마나 될까?
• RQ3 시간적 및 공간적 맥락은 커뮤니티의 영향력이 이동에 어떻게 조절되는가?
• RQ4 친구 수준의 정보보다 커뮤니티 수준의 정보가 위치 예측 정확도를 향상시킬 수 있는가?
• RQ5 커뮤니티 엔트로피로 측정된 사용자의 사회적 다양성은 커뮤니티 기반 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 다양한 데이터셋 간 비교 분석을 통해 커뮤니티가 개인의 이동에 친구보다 더 강력한 영향을 미친다는 것이 확인되었다.
• 각 사용자는 오직 소수의 커뮤니티에 의해 영향을 받으며, 이는 이동이 몇몇 핵심 사회적 맥락에 의해 이끌린다는 것을 시사한다.
• 커뮤니티의 영향력은 시간적 및 공간적 맥락(예: 평일 대비 주말, 업무 장소 대비 여가 장소)에 매우 민감하게 의존한다.
• 커뮤니티 기반 예측 모델은 높은 정확도를 달성하며, 특히 커뮤니티 엔트로피가 높은 사용자들에 대해 친구 기반 모델을 크게 능가한다.
• 사용자 자신의 이력 체크인 데이터를 사용하지 않더라도 모델은 커뮤니티 수준의 특징만으로도 잘 작동한다.
• 제안된 커뮤니티 엔트로피 지표는 사회적 다양성을 효과적으로 캡처하며, 사용자 이동 예측 가능성과도 상관관계가 있다.