WWW2019 論文読み会 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 or to 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 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

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 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

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．