[论文解读] Using Deep Learning to Predict Demographics from Mobile Phone Metadata

Bjarke Felbo, Pål Sundsøy+3 more|arXiv (Cornell University)|Nov 20, 2015

Human Mobility and Location-Based Analysis参考文献 13被引用 23

一句话总结

本文提出了一种新颖的深度学习方法，利用卷积神经网络从手机元数据预测年龄和性别，无需依赖手工设计的特征，实现了高精度。该研究展示了端到端深度学习在从标准通话记录中进行人口统计推断方面的巨大潜力。

ABSTRACT

Mobile phone metadata are increasingly used to study human behavior at large-scale. There has recently been a growing interest in predicting demographic information from metadata. Previous approaches relied on hand-engineered features. We here apply, for the first time, deep learning methods to mobile phone metadata using a convolutional network. Our method provides high accuracy on both age and gender prediction. These results show great potential for deep learning approaches for prediction tasks using standard mobile phone metadata.

研究动机与目标

• 探索利用深度学习从手机元数据进行人口统计预测的可行性。
• 克服先前人口统计预测方法中手工设计特征的局限性。
• 评估卷积神经网络在大规模手机元数据上进行年龄和性别分类任务的性能。
• 证明端到端深度学习模型能够从原始元数据中提取有意义的模式，而无需特征工程。

提出的方法

• 使用卷积神经网络（CNN）处理作为输入的序列化手机元数据。
• 将原始或经过最少预处理的通话记录作为深度学习模型的输入。
• 端到端训练CNN，直接从元数据中学习分层表示。
• 应用标准的深度学习技术，如卷积层、激活函数和分类头，以实现年龄和性别预测。
• 使用标准的多分类损失函数优化模型。
• 使用标准指标（如在保留的测试集上的准确率）评估模型性能。

实验结果

研究问题

• RQ1 深度学习模型是否能够在不使用手工特征的情况下，从手机元数据中实现高精度的年龄和性别预测？
• RQ2 卷积神经网络在此任务中与使用工程化特征的传统机器学习模型相比表现如何？
• RQ3 端到端深度学习方法在使用标准手机元数据进行人口统计预测中的表现如何？
• RQ4 原始元数据中的模式在多大程度上能够有效捕捉人口统计信息？

主要发现

• 所提出的深度学习模型在从手机元数据预测年龄和性别方面实现了高精度。
• 使用卷积神经网络可直接从原始元数据中有效学习特征，优于传统的手工设计特征方法。
• 该方法在使用标准手机数据进行人口统计预测任务中表现出强大的泛化能力。
• 结果表明，深度学习能够有效建模手机元数据中的复杂模式，用于社会人口统计推断。