[논문 리뷰] Spatio-Temporal Modeling of Users' Check-ins in Location-Based Social Networks

Ali Zarezade, Sina Jafarzadeh외 1명|arXiv (Cornell University)|2016. 11. 23.

Human Mobility and Location-Based Analysis참고 문헌 45인용 수 6

한 줄 요약

이 논문은 위치기반 소셜네트워크(LBSN)에서 사용자 체크인에 대한 확률적 시공간 모델을 제안한다. 시간은 주기적인 이重치점프로세스를 사용하고, 위치는 친구들의 체크인 역사를 기반으로 하는 시간에 따라 변하는 다항분포를 사용한다. 분산 EM 알고리즘을 통해 Foursquare 데이터에서 학습된 모델은 기준 모델 대비 시간 예측 정확도에서 최대 35% 향상되고, 위치 예측 정확도에서 최대 43% 향상된다.

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.

연구 동기 및 목표

• 장소기반 소셜네트워크(LBSN)에서 사용자들의 시공간 행동을 모델링하여 향후 체크인 예측을 향상시키는 것.
• 사용자 체크인 행동의 주기적 시간 패턴, 예를 들어 일일 루틴을 포착하는 것.
• 친구들의 최근 체크인 기록이 사용자 위치 선택에 미치는 영향을 상호 자극 효과를 통해 모델링하는 것.
• 다양한 사용자 간 모델 파라미터 학습을 위한 확장 가능한 추론 알고리즘 개발.
• 영향망 탐지, 장소 추천, 행동 제어와 같은 애플리케이션 지원.

제안 방법

• 매일 및 매주 주기성을 반영하기 위해 주기적인 감쇠 커널을 포함한 이중 확률적 점프로세스를 사용해 체크인 시간을 모델링한다.
• 사용자의 친구들 최근 체크인 기록에 영향을 받는 시간에 따라 변하는 다항분포를 사용해 체크인 위치를 모델링한다.
• 친구 영향 성분에서 먼 과거 사건의 영향을 줄이기 위해 지수 감쇠 커널을 통합한다.
• 계산을 사용자 간 병렬화하여 효율적으로 모델 파라미터를 학습하기 위해 분산 EM 알고리즘을 사용한다.
• 친구들과의 관계 없이 새로운 장소를 탐색하는 사용자를 모델링하기 위해 잠재 파라미터 η를 사용한다.
• 시간 주기성과 사회적 영향을 통합된 생성 확률 프레임워크로 통합한다.

실험 결과

연구 질문

• RQ1 주기적인 감쇠 커널을 갖는 확률적 점프로세스를 사용해 사용자 체크인 시간의 주기적 패턴을 효과적으로 모델링할 수 있는가?
• RQ2 사용자의 체크인 위치는 친구들의 최근 체크인 활동에 얼마나 의존하는가?
• RQ3 시간에 따라 변하는 다항분포 모델이 위치 선택에 대한 사회적 영향 효과를 효과적으로 포착할 수 있는가?
• RQ4 제안된 모델은 기존 방법에 비해 향후 체크인 시간과 위치 예측에서 어떻게 성능을 냈는가?
• RQ5 모델의 구조는 실제 LBSN 데이터에서 관찰된 경험적 패턴과 일치하는가?

주요 결과

• 제안된 모델은 기준 모델 대비 최대 35% 향상된 시간 예측 정확도를 달성했으며, 이는 1시간 이내로 예측된 체크인 비율로 측정되었다.
• k=1일 때 위치 예측 정확도는 43% 향상되었으며, 기준 모델의 약 7% 대비 11%의 정확도를 기록했다.
• NDCG@k 결과는 다양한 k 값에서 일관되게 뛰어난 성능을 보였으며, 진짜 장소의 순위를 더 잘 매겼음을 시사한다. 이는 30~50% 향상된 성능이다.
• 경험적 분석을 통해 80%의 사용자가 친구의 체크인에 영향을 받는 것으로 확인되어 사회적 영향 성분의 타당성이 검증되었다.
• 모델는 주기적 행동을 효과적으로 포착했으며, 실제 데이터에서 1일, 2일, 3일 이상 간격으로 이벤트 반복 피크가 뚜렷하게 나타났다.
• 분산 EM 알고리즘은 효율적으로 파라미터를 학습하고, 학습 데이터 크기가 증가함에 따라 잘 스케일링된다.