Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Upcoming SlideShare
What to Upload to SlideShare
Next
Download to read offline and view in fullscreen.

1

Share

Download to read offline

WebにおけるHuman Dynamics 武内慎

Download to read offline

WWW2019 論文読み会
WebにおけるHuman Dynamics 武内慎

Related Books

Free with a 30 day trial from Scribd

See all

WebにおけるHuman Dynamics 武内慎

  1. 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. 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. 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. 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. 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
  6. 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. 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. 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. 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. 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. 11. To Return or to Explore: Modelling Human Mobility and Dynamics in Cyberspace 2-1. 研究概要
  12. 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. 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. 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. 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. 16. Anomaly Detection in the Dynamics of Web and Social Networks Using Associative Memory 2-2. 研究概要
  17. 17. Modeling Item-Specific Temporal Dynamics of Repeat Consumption for Recommender Systems [Recommender system, Repeat consumption, Temporal dynamics, Collaborative filtering, Hawkes process] 2-3
  18. 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. 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. 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. 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. 22. Modeling Item-Specific Temporal Dynamics of Repeat Consumption for Recommender Systems 2-3. 研究概要
  23. 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.  
  • syuichitsuji

    Sep. 10, 2019

WWW2019 論文読み会 WebにおけるHuman Dynamics 武内慎

Views

Total views

1,965

On Slideshare

0

From embeds

0

Number of embeds

1,333

Actions

Downloads

2

Shares

0

Comments

0

Likes

1

×