[论文解读] Spatio-Temporal Modeling of Users' Check-ins in Location-Based Social Networks

Ali Zarezade, Sina Jafarzadeh+1 more|arXiv (Cornell University)|Nov 23, 2016

Human Mobility and Location-Based Analysis参考文献 45被引用 6

一句话总结

本文提出了一种用于基于位置的社交网络（LBSN）用户签到行为的概率时空模型，采用周期性双重随机点过程建模时间，使用时变多项分布建模位置，两者均受朋友签到历史的影响。该模型基于Foursquare数据，通过分布式EM算法进行训练，在时间预测上准确率最高提升35%，在位置预测上最高提升43%，优于基线方法。

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.

研究动机与目标

• 为基于位置的社交网络（LBSN）中用户的时空行为建模，以提升未来签到行为的预测能力。
• 捕捉用户签到行为中的周期性时间模式，例如日常作息规律。
• 通过相互激发效应，建模朋友近期签到对用户位置选择的影响。
• 开发一种可扩展的推理算法，用于跨用户学习模型参数。
• 支持影响网络发现、位置推荐与行为控制等应用。

提出的方法

• 在双重随机点过程中引入周期性衰减核函数，对签到时间进行建模，以捕捉每日和每周的周期性模式。
• 通过受用户朋友近期签到历史影响的时变多项分布，对签到位置进行建模。
• 在朋友影响成分中引入指数衰减核函数，以降低远期事件的影响。
• 采用分布式EM算法高效学习模型参数，计算过程在用户间并行化。
• 引入潜变量η，用于建模独立于朋友而探索新地点的用户。
• 将时间周期性与社交影响统一整合进一个生成式概率框架中。

实验结果

研究问题

• RQ1 能否通过具有周期性衰减核函数的随机点过程，有效建模用户签到时间中的周期性模式？
• RQ2 用户签到位置在多大程度上依赖于其朋友近期的签到活动？
• RQ3 时变多项分布模型能否有效捕捉社交影响对位置选择的作用？
• RQ4 与现有方法相比，所提模型在预测未来签到时间与位置方面表现如何？
• RQ5 该模型结构是否与真实LBSN数据中观察到的经验模式一致？

主要发现

• 与竞争方法相比，所提模型在时间预测准确率上最高提升35%，以签到预测在1小时阈值内的百分比衡量。
• 在k=1时，位置预测准确率提升43%，达到11%，而基线方法约为7%。
• NDCG@k结果表明模型持续领先，不同k值下提升达30%至50%，表明对真实位置的排序效果更优。
• 实证分析证实，80%的用户受朋友签到影响，验证了社交影响组件的有效性。
• 模型有效捕捉了周期性行为，真实数据中事件重复在1天、2天及3天以上间隔处均呈现显著峰值。
• 分布式EM算法能高效学习参数，并随训练数据规模增加而良好扩展。