WebにおけるHuman Dynamics 武内慎
1 like2,262 views
WWW2019 論文読み会 WebにおけるHuman Dynamics 武内慎
![＜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](https://image.slidesharecdn.com/wwwtakeuchi-190905113820/85/Web-Human-Dynamics-4-320.jpg)
![To Return or to Explore: Modelling Human
Mobility and Dynamics in Cyberspace
[Cyberspace, Online Communities, Human Mobility, Human Dynamics,
Preferential Return, Preferential Exploration]
2-1](https://image.slidesharecdn.com/wwwtakeuchi-190905113820/85/Web-Human-Dynamics-5-320.jpg)
![Anomaly Detection in the Dynamics of Web and
Social Networks Using Associative Memory
[Anomaly Detection, Dynamic Network, Graph Algorithm, Hopfield Network,
Wikipedia, Web Logs Analysis]
2-2](https://image.slidesharecdn.com/wwwtakeuchi-190905113820/85/Web-Human-Dynamics-12-320.jpg)
![＜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 anomaly detection 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](https://image.slidesharecdn.com/wwwtakeuchi-190905113820/85/Web-Human-Dynamics-13-320.jpg)
![Modeling Item-Specific Temporal Dynamics of
Repeat Consumption for Recommender Systems
[Recommender system, Repeat consumption, Temporal dynamics,
Collaborative filtering, Hawkes process]
2-3](https://image.slidesharecdn.com/wwwtakeuchi-190905113820/85/Web-Human-Dynamics-17-320.jpg)
WebにおけるHuman Dynamics 武内慎
- 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 or to Explore: Modelling Human Mobility and Dynamics in Cyberspace [Cyberspace, Online Communities, Human Mobility, Human Dynamics, Preferential Return, Preferential Exploration] 2-1
- 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 explorers dichotomy 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 ・Returners and 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 or to 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 or to Explore: Modelling Human Mobility and Dynamics in Cyberspace 2-1. 研究概要
- 12. Anomaly Detection in the 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 anomaly detection 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-TEmporal Miner 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 in the 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 in the Dynamics of Web and Social Networks Using Associative Memory 2-2. 研究概要
- 17. Modeling Item-Specific Temporal Dynamics of Repeat Consumption for Recommender Systems [Recommender system, Repeat consumption, Temporal dynamics, Collaborative filtering, Hawkes process] 2-3
- 19. ＜関連研究＞ 反復消費行動の研究 ・Modeling User Consumption Sequences. 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 From Recurrent 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 Temporal Dynamics 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 Temporal Dynamics of Repeat Consumption for Recommender Systems 2-3. 研究概要