WebにおけるHuman Dynamics 武内慎

WebにおけるHuman Dynamics 武内慎

• 1.
  WWW2019読み会
 WebにおけるHuman Dynamics
 
 武内慎
 株式会社サイバーエージェント
 秋葉原ラボ
 2019/9/2

• 2.
  自己紹介
 武内慎 ・名古屋大学大学院 修士卒 　・理学研究科　素粒子的宇宙論 ・通信キャリア 　・ガラケー、スマホ開発関連業務 ・2015〜 サイバーエージェント 　・DMPコンサル 　・2017/3〜 自社サービスのデータ分析業務 @秋葉原ラボ ・興味 　・Human Dynamics，音楽鑑賞行動の分析
• 3.
  0.　自己紹介 1.　WebにおけるHuman Dynamics発表の概要 2. 論文紹介(3本) 2-1.To Return or to Explore: Modelling Human Mobility and Dynamics in Cyberspace (Poster Session) 2-2. Anomaly Detection in the Dynamics of Web and Social Networks Using Associative Memory (Research Track: Network Applications) 2-3. Modeling Item-Specific Temporal Dynamics of Repeat Consumption for Recommender Systems (Poster Session) 3. まとめ WebにおけるHuman Dynamics 目次
• 4.
  ＜今回ご紹介する内容＞ 　分野を絞らず，Web上のダイナミクスの理解とその応用が テーマの研究を３種類，1本ずつピックアップして紹介． ● Web上のコミュニティダイナミクスの解明 ○ keyword:[Human Dynamics, Online Communities] ● ソーシャルネットワーク上の異常検知 ○ keyword: [Anomaly Detection, Dynamic Network] ● 反復消費を考慮した推薦アルゴリズム ○ keyword: [Recommender system, Repeat consumption] 1.概要　WebにおけるHuman Dynamics
• 5.
  To Return orto Explore: Modelling Human Mobility and Dynamics in Cyberspace [Cyberspace, Online Communities, Human Mobility, Human Dynamics, Preferential Return, Preferential Exploration] 2-1
• 6.
  ＜この研究のモチベーション＞ 　人の行動は一見すると複雑． 　実は，本人も意識せずに従っているルールが何かある？ 　IOT，Web等のログによって，様々な統計的性質や 　その背後にあるルールがわかってきた． 　物理空間における行動とWeb上の行動は同じ？？ 2-1. モチベーション
• 7.
  ＜関連研究＞ 物理空間での行動の基本原理の研究 ・Friendship and Mobility:User Movement In Location-Based Social Networks. SIGKDD(2011). 　・短距離の移動(空間的制約 & 周期的)と，長距離の移動(ソーシャルネットと相関) 2-1. モチベーション
• 8.
  ＜関連研究＞ 物理空間での行動の基本原理の研究 ・Returners and explorersdichotomy in human mobility. Nature communications(2015). 　・個人が探索者とリピーターのどちらかに属するモデルの提案． 2-1. モチベーション
• 9.
  ＜関連研究＞ 物理空間の行動 VS Web上の行動 ・Returnersand Explorers Dichotomy in Web Browsing Behavior - A Human Mobility Approach． Complex Networks.(2016) 　・類似性あり．探索とリターンに分けて分析． 2-1. モチベーション
• 10.
  To Return orto Explore: Modelling Human Mobility and Dynamics in Cyberspace ＜概要＞ ・redditでの書き込みデータから，コミュニティ単位の探索(Explore)とリターン(Return)行動を 分析，モデリング． ＜結果・コントリビューション＞ ・Web上の行動であっても，物理空間上の行動と同じ原理が働いていることを示した． 　・優先原理(preferential principle)，つまり「人は徐々に新しい場所を探すことに 　　興味を無くし, 既知の場所に戻ることが多くなる．」 ・個人の探索意志の定量化． 　・その人が探索しやすい人か，リターンしやすい人かを定量的に把握． 　・それらのタイプが来訪しやすいトピックの分析が可能． 2-1. 研究概要
• 11.
  To Return orto Explore: Modelling Human Mobility and Dynamics in Cyberspace 2-1. 研究概要
• 12.
  Anomaly Detection inthe Dynamics of Web and Social Networks Using Associative Memory [Anomaly Detection, Dynamic Network, Graph Algorithm, Hopfield Network, Wikipedia, Web Logs Analysis] 2-2
• 13.
  ＜この研究のモチベーション＞ 　・時間変化するネットワーク上での異常検知． 　・異常検知にネットワーク情報を考慮すべき理由． 　　・対象の依存関係 　　・ノード，エッジの属性 　　・異常の伝搬 　　・ネットワーク特徴量のロバスト性 　　　　　[Graph based anomalydetection and description: a survey. 　　　　　　　　　　　　Data mining and knowledge discovery(2015)]より 　・データの時間成分と空間成分を分離しない検出方法． 2-2. モチベーション
• 14.
  ＜関連研究＞ 時空間上のイベントバーストの特定手法の研究 ・STEM: A Spatio-TEmporalMiner for Bursty Activity. SIGMOD(2013). 　・時空間データのマイニング手法の提案 時空間データの異常検知 ・Spatio-Temporal Outlier Detection in Precipitation Data. In Knowledge discovery from sensor data.(2010) 　・時間成分と空間成分のデータを独立に扱う 2-2. モチベーション
• 15.
  Anomaly Detection inthe Dynamics of Web and Social Networks Using Associative Memory ＜概要＞ ・提案手法を，wikipediaデータ(記事ネットワーク, 閲覧数の時系列)と，Enron社のemailデータ(メール送信ネットワーク，メール数の時系列)に 適用. ・提案手法： 　・potential anomalyの計算, 適当な閾値以下のノードの削減 　・Hopfield networkの学習(教師無し学習) ＜結果・コントリビューション＞ ・提案手法によってGround Truth(Enron社内イベント, Google Trendによる世間のイベント)の 抽出に成功． ・検知した異常の解釈性 2-2. 研究概要
• 16.
  Anomaly Detection inthe Dynamics of Web and Social Networks Using Associative Memory 2-2. 研究概要
• 17.
  Modeling Item-Specific TemporalDynamics of Repeat Consumption for Recommender Systems [Recommender system, Repeat consumption, Temporal dynamics, Collaborative filtering, Hawkes process] 2-3
• 18.
  ＜この研究のモチベーション＞ 　・2回目以降の消費を考慮したレコメンドロジック． 　・スマホを買った直後に，別のスマホをレコメンドされても 😇 　・適切なタイミングで反復消費をレコメンドするためには，時間的なダイナミ クスのモデリングが必要． 2-3. モチベーション
• 19.
  ＜関連研究＞ 反復消費行動の研究 ・Modeling User ConsumptionSequences. WWW(2016). 　・傾向の分析とモデリング. 品質等よりも時間要素がモデリングに重要． 2-3. モチベーション
• 20.
  ＜関連研究＞ 反復消費行動を考慮したレコメンドロジック ・Time-Sensitive Recommendation FromRecurrent User Activities. Neural Information Processing Systems(2015). 　・ユーザーの反復消費行動をHawkes過程(自己励起点過程)でモデリング 　・ユーザー×アイテム毎の嗜好変化は考慮していない． 2-3. モチベーション
• 21.
  Modeling Item-Specific TemporalDynamics of Repeat Consumption for Recommender Systems ＜概要＞ ・反復消費の特徴分析 　・short-term effectとlifetime effect ・下記２つを融合した新規手法(SLRC)の提案 　・Hawkes過程：反復消費の２つの効果をカーネル関数で表現 　・CF(協調フィルタリング)：ユーザーの好みを表現 ＜結果・コントリビューション＞ ・提案手法で、既存手法よりも精度を改善． ・解釈性が高い．アイテムのライフタイムがわかり，早く消費される(fast-moving)か，使い続け る(durable)ものか区別できる． 2-3. 研究概要
• 22.
  Modeling Item-Specific TemporalDynamics of Repeat Consumption for Recommender Systems 2-3. 研究概要
• 23.
  3.まとめ ・Web上のダイナミクスを解明するためのユーザーモデリングはいろ いろ役立つというお話． ・点過程の使い勝手の良さ． ・モデルの解釈性のメリット． ・各分野で，現実に近い理論モデルが提案されてきている． 　・本質を理解するための抽象度とのバランスが難しい． 　・異なる行動も，パラメータ値域で表現可能．