[논문 리뷰] On Temporal Regularity in Social Interactions: Predicting Mobile Phone Calls

Mehwish Nasim, Aimal Rextin외 2명|arXiv (Cornell University)|2015. 12. 26.

Human Mobility and Location-Based Analysis참고 문헌 14인용 수 3

한 줄 요약

이 논문은 시간 패턴과 최근 통화 행동을 사용하여 외부 통화를 예측하기 위한 기계학습 접근법을 제안한다. 요일과 시간대 특성을 갖는 다중분류 문제로 통화 행동을 모델링함으로써, 상위 1개 예측에서 44%의 정확도와 상위 5개 예측에서 78% 이상의 정확도를 달성하며, 이는 마지막 k통화나 가장 자주 통화하는 번호와 같은 기준 방법을 능가한다.

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.

연구 동기 및 목표

• 사회적 상호작용의 일상적 원칙에 기반해 모바일 폰 통화 행동이 예측 가능한 시간적 규칙성을 가지는지 조사하기 위해.
• 역사적 통화 패턴과 시간적 특성을 사용하여 향후 외부 통화를 예측하는 기계학습 모델을 개발하기 위해.
• 마지막 k통화와 가장 자주 통화하는 번호와 같은 기준 방법과의 성능 비교를 통해 모델 성능을 평가하기 위해.
• 파키스탄과 미국에서 확보한 데이터셋을 사용하여 다양한 사용자 집단 간 통화 예측의 일반화 가능성 평가하기 위해.
• 더 스마트하고 효율적인 모바일 폰 사용자 인터페이스 및 개인화된 서비스 제공에 대한 함의 탐색하기 위해.

제안 방법

• 다음 외부 통화를 예측하는 타깃으로 삼는 다중분류 문제로 통화 예측을 모델링한다.
• 주요 예측자로 요일과 시간대 등의 시간적 특성을 사용한다.
• 최근 통화 행동을 반영하기 위해 마지막 k개의 통화한 번호를 특성으로 포함한다.
• 익명화된 통화 로그에서 유저 783명과 12,000개의 통화자-수신자 쌍을 기반으로 표준 기계학습 분류기 모델을 훈련한다.
• 상위 k개 예측 정확도를 사용하여 성능을 평가하고, 마지막 k통화 및 가장 자주 통화하는 번호 목록과 비교한다.
• 파키스탄 데이터셋과 미국의 리얼리티 마이닝 프로젝트 데이터셋 두 개에서 모델을 테스트한다.

실험 결과

연구 질문

• RQ1 사회적 상호작용의 시간적 규칙성을 얼마나 잘 활용하여 향후 모바일 폰 통화를 예측할 수 있는가?
• RQ2 시간 기반 특성과 최근 통화 행동을 사용하는 기계학습 모델이 마지막 k통화와 같은 단순 기준 방법을 능가할 수 있는가?
• RQ3 예측 정확도는 다양한 사용자 집단과 데이터셋 간에 어떻게 달라지는가?
• RQ4 다양한 인구 집단에서 일정한 주기성의 통화 행동이라는 가정이 성립하는가?
• RQ5 이러한 모델이 더 스마트하고 효율적인 모바일 통화 인터페이스 설계에 기여할 수 있는가?

주요 결과

• 제안된 방법은 상위 1개 예측에서 44%의 정확도를 달성하며, 기준 방법인 마지막 k통화 접근 방식을 뚜렷이 능가한다.
• 리얼리티 마이닝 데이터셋에서 상위 5개 예측 목록을 사용할 경우, 78% 이상의 정확도를 기록하여 대규모 스케일에서의 뛰어난 성능을 입증한다.
• 파키스탄 및 리얼리티 마이닝 데이터셋 양쪽에서 마지막 k통화 및 가장 자주 통화하는 번호 기준 방법보다 모두 뛰어난 성능을 보였다.
• 요일과 시간대 등의 시간적 특성이 핵심 예측 변수로 작용하여, 통화 행동의 일주기 리듬 가설을 뒷받침한다.
• 사용자의 통화 패턴이 역학적 시간 패턴에 기반해 매우 예측 가능함을 시사하며, 이는 인터페이스 설계 및 서비스 개인화에 대한 함의를 지닌다.
• 이전 연구에서 사용된 바와 같이 단순 기준 방법보다 더 현실적인 기준인 마지막 k통화와의 직접 비교를 포함함으로써, 이전 연구의 갭을 보완한다.