[论文解读] A Bayesian approach to income inference in a communication network

Martín Fixman, Ariel Berenstein+4 more|arXiv (Cornell University)|Aug 18, 2016

Human Mobility and Location-Based Analysis参考文献 10被引用 9

一句话总结

本文提出了一种贝叶斯推断模型，利用手机通话详单记录和银行数据来估计社会网络中个体的收入水平。通过整合用户属性和通信模式，该方法实现了准确的收入分类，表明通信网络中的行为和人口统计学数据能够以高可靠性有效预测社会经济地位。

ABSTRACT

The explosion of mobile phone communications in the last years occurs at a moment where data processing power increases exponentially. Thanks to those two changes in a global scale, the road has been opened to use mobile phone communications to generate inferences and characterizations of mobile phone users. In this work, we use the communications network, enriched by a set of users' attributes, to gain a better understanding of the demographic features of a population. Namely, we use call detail records and banking information to infer the income of each person in the graph.

研究动机与目标

• 开发一种利用手机通信模式和辅助用户属性来估计个体收入的方法。
• 通过整合金融和行为数据，提升大规模通信网络中的人口统计推断能力。
• 利用考虑网络结构和个体属性的概率框架，对人群的收入分布进行建模。
• 评估通信数据在无需直接报告收入的情况下预测社会经济地位的预测能力。

提出的方法

• 该方法采用贝叶斯分层模型，基于观测到的通话详单记录和关联的银行信息来估计收入水平。
• 将用户属性（如通话频率、时长和社交连通性）作为概率模型中的协变量。
• 通过结合网络层面的模式与个体层面的金融数据，推断潜在的收入类别。
• 在未观测到的收入水平条件下，为观测到的通信行为定义似然函数。
• 使用马尔可夫链蒙特卡洛（MCMC）采样进行后验推断，以估计收入分布。
• 该框架考虑了收入估计中的不确定性，并支持对个体进行概率分类。

实验结果

研究问题

• RQ1 当结合辅助金融数据时，手机通信模式是否能可靠地预测个体收入水平？
• RQ2 整合网络结构和用户属性如何提升收入推断的准确性？
• RQ3 贝叶斯模型在从间接行为信号估计收入分布方面的表现如何？
• RQ4 该模型如何处理不同人群群体之间收入估计中的不确定性和变异性？

主要发现

• 与仅使用通话详单记录的基线方法相比，贝叶斯模型显著提高了收入推断的准确性。
• 整合银行数据显著提升了收入类别估计的精度。
• 该模型成功识别出与通信行为相关的收入模式，例如通话频率和社交连通性。
• 概率推断支持不确定性量化，为个体收入预测提供了置信区间。