[论文解读] On Temporal Regularity in Social Interactions: Predicting Mobile Phone Calls

Mehwish Nasim, Aimal Rextin+2 more|arXiv (Cornell University)|Dec 26, 2015

Human Mobility and Location-Based Analysis参考文献 14被引用 3

一句话总结

本文提出一种机器学习方法，利用时间模式和近期拨号行为来预测移动电话的外拨通话。通过将拨号行为建模为多分类问题，并引入星期几和一天中时间等特征，该方法在真实世界数据集上实现了44%的top-1预测准确率，以及超过78%的top-5预测准确率，优于基线方法（如最近k通电话和最常拨打的号码）。

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.

研究动机与目标

• 探究基于常规社会互动的社会学原理，移动电话拨号行为是否表现出可预测的时间规律性。
• 开发一种机器学习模型，利用历史拨号模式和时间特征预测未来的外拨通话。
• 评估该模型相对于基线方法（如最近k通电话和最常拨打的号码）的性能表现。
• 利用来自巴基斯坦和美国的数据集，评估通话预测在不同用户群体中的泛化能力。
• 探讨该模型对改进移动电话用户界面和个性化服务交付的潜在影响。

提出的方法

• 将通话预测建模为多分类问题，目标是预测下一次外拨通话。
• 使用包括星期几和一天中时间在内的关键时间特征作为主要预测因子。
• 通过引入最近k次拨打的号码作为特征，整合近期拨号行为。
• 应用标准机器学习分类器，在783名用户和12,000对通话者之间的匿名通话日志上进行训练。
• 使用top-k预测准确率评估性能，并与最近k通电话和最常拨打号码列表进行对比。
• 在两个数据集上测试模型：一个来自巴基斯坦，另一个来自美国的Reality Mining项目。

实验结果

研究问题

• RQ1 在多大程度上可以利用社会互动中的时间规律性来预测未来的移动电话通话？
• RQ2 使用基于时间特征和近期拨号行为的机器学习模型，是否能优于如最近k通电话等简单基线方法？
• RQ3 预测准确率在不同用户群体和数据集之间如何变化？
• RQ4 周期性拨号行为的假设是否在不同人群中均成立？
• RQ5 此类模型能否为设计更智能、更高效的移动通话界面提供支持？

主要发现

• 所提出的方法在预测top-1外拨通话方面达到了44%的准确率，显著优于基线的最近k通电话方法。
• 在Reality Mining数据集中，top-5预测列表的准确率超过78%，表明该模型在大规模场景下表现强劲。
• 在巴基斯坦和Reality Mining数据集上，该模型均优于最近k通电话和最常拨打号码的基线方法。
• 时间特征（如星期几和一天中时间）是关键预测因子，支持了拨号行为中存在昼夜节律的假设。
• 结果表明，用户拨号模式基于历史时间模式具有高度可预测性，对界面设计和服务个性化具有重要意义。
• 本研究通过与最近k通电话的直接对比，填补了以往研究中缺乏此类现实基线的空白，相较以往研究更具现实参考价值。