[论文解读] Predicting interactions between individuals with structural and dynamical information

Thibaud Arnoux, Lionel Tabourier+1 more|arXiv (Cornell University)|Mar 27, 2018

Time Series Analysis and Forecasting参考文献 22被引用 2

一句话总结

本文提出了一种监督学习框架，用于基于链路流数据预测动态网络中的未来交互行为，通过结合结构度量和时间度量来提高预测准确性。通过根据交互行为引入节点对类别，该方法增强了预测的多样性与性能，尤其在重复交互方面优于基线方法（如过去活动外推法）。

ABSTRACT

Capturing both structural and temporal features of interactions is crucial in many real-world situations like studies of contact between individuals. Using the link stream formalism to model data, we address here the activity prediction problem: we predict the number of links that will occur during a given time period between each pair of nodes. To do this, we take benefit from the temporal and structural information captured by link streams. We design and implement a modular supervised learning method to make prediction, and we study the key elements influencing its performances. We then introduce classes of node pairs, which improves prediction quality and increases diversity.

研究动机与目标

• 解决在动态网络中预测未来交互活动的挑战，超越基于静态图的链接预测方法。
• 充分利用链路流中的完整时间与结构信息，避免因时间窗口化方法导致的时间分辨率损失。
• 通过识别并建模节点对的不同行为类别，提升预测的多样性。
• 开发一种模块化、可扩展的框架，用于组合度量指标，可进一步集成新的结构与动力学特征。

提出的方法

• 将交互数据建模为链路流——即由三元组 (t, u, v) 组成的序列，表示在时间 t 时节点 u 与 v 之间的交互。
• 从链路流中提取结构度量（如共同邻居、Jaccard指数）和时间度量（如交互频率、突发性）。
• 使用监督学习（梯度下降）优化这些度量的加权组合，以实现活动预测。
• 基于交互模式引入节点对类别（C0–C3），以针对不同行为类型定制预测。
• 训练一个线性模型，使用学习得到的系数（αm）来平衡各类别下各度量的贡献，从而提升性能与多样性。
• 在四个真实世界数据集（Infocom、Highschool、Reality Mining 和 Taxi）上，使用 F1 分数和精确率-召回率指标评估预测结果。

实验结果

研究问题

• RQ1 如何有效结合结构度量与时间度量，以预测动态网络中的未来交互活动？
• RQ2 根据交互行为对节点对进行分类，在多大程度上能提升预测准确性和多样性？
• RQ3 不同度量组合在节点对的不同行为类别中表现如何？
• RQ4 所提出的框架能否在预测交互次数方面优于基线方法（如过去活动外推法）？
• RQ5 引入类别如何缓解仅预测高度活跃或重复链接的偏差？

主要发现

• 所提出的方法在基线方法（如过去活动外推法）基础上显著提升了预测性能，尤其是在结合结构度量与时间度量时。
• 学习算法为类别 C1（高度活跃对）分配了更高的结构度量与混合度量权重，与传统链接预测策略一致。
• 对于类别 C2（中等行为），模型平衡了结构度量与时间度量，反映出混合的交互模式。
• 类别 C3（低活跃度、突发性交互）更依赖时间度量，但仍从混合度量组合中获益。
• 引入类别减少了预测偏差，提升了多样性，从而更好地覆盖网络中不同类型的交互。
• 该模型在各数据集上表现稳健，F1 分数与精确率在所有类别中均保持一致提升，尤其在 Infocom 和 Reality Mining 数据集上表现突出。