[论文解读] Event Organization 101: Understanding Latent Factors of Event Popularity

Shuo Zhang, Qin Lv|arXiv (Cornell University)|Sep 6, 2017

Human Mobility and Location-Based Analysis参考文献 3被引用 9

一句话总结

该论文提出CASINO，一种统一框架，整合了上下文特征（空间、群体、时间、语义）和群体特定的社会影响力，以预测Meetup上群体组织活动的相对受欢迎程度。通过社会传播网络对潜在因素进行建模，并结合CART回归方法，CASINO在纽约、伦敦和悉尼分别取得了0.758、0.723和0.718的R²分数，显著优于基线方法。

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.

研究动机与目标

• 识别并建模影响现实世界EBSN中群体组织活动受欢迎程度的潜在因素。
• 开发一个统一的预测框架，以捕捉多样化的上下文和社会影响力因素。
• 为活动组织者和EBSN平台提供可操作的见解，以提升活动成功率。
• 将活动受欢迎程度相对于群体类别平均值进行归一化，以实现更有意义的预测。
• 评估不同类型社会群体中各因素的预测能力。

提出的方法

• 使用Jensen的位置质量指标和100米半径邻域内的活动竞争性来建模空间影响。
• 通过传播网络构建群体特定的社会影响力，以追踪用户对活动参与的影响。
• 使用时间衰减函数构建时间特征，其中η = 0.01，空间建模半径为1.5英里。
• 利用事件标题和描述的TF-IDF方法构建语义特征，以捕捉主题相关性。
• 在上下文特征上训练CART模型，并通过社会影响力残差建模对预测结果进行优化。
• 通过BFGS最小化验证数据上的最小二乘误差来优化模型参数。

实验结果

研究问题

• RQ1 在EBSN中，哪些上下文因素——空间、时间、语义和群体层面——对活动受欢迎程度影响最为显著？
• RQ2 群体特定的社会影响力在多大程度上影响活动参与度，超越个体用户偏好？
• RQ3 不同类型的社会群体（例如徒步与写作）在活动成功上的影响力模式有何不同？
• RQ4 结合上下文和社会影响力特征的统一框架是否能显著优于基线方法来预测活动受欢迎程度？
• RQ5 不同城市和群体类别中，各特征的相对贡献如何变化？

主要发现

• CASINO在纽约、伦敦和悉尼分别取得了0.758、0.723和0.718的R²分数，表明在所有三个城市中均具有高度预测准确性。
• 基线朴素均值方法（NM）的平均R²仅为0.165，表明简单平均无法实现准确预测。
• SVD-MFN基线表现欠佳（R² < 0.31），原因在于活动参与度分布的偏态性，凸显了用户级模型在受欢迎度预测中的局限性。
• 从Cont（仅上下文）到CASINO(-)再到CASINO的性能提升，证实了上下文特征和社会影响力建模的双重有效性。
• 模型在各城市中表现稳健，最优参数统一设置为R = 1.5英里，η = 0.01。
• 该框架揭示，群体特定的社会影响力是关键因素，且在不同群体类别中观察到显著不同的影响力模式。