基于累积分布函数的通用时序点过程
机器学习
2024-02-02 v1 人工智能
机器学习
摘要
时序点过程（TPP）在建模社交网络和电子商务等不同领域的事件序列中发挥着关键作用，并极大地推动了推荐系统和信息检索策略的发展。通过分析用户交互和交易等事件，TPP 为行为模式提供了有价值的洞察，从而促进对未来趋势的预测。然而，由于这些模式的复杂性，准确预测未来事件仍然是一个艰巨的挑战。神经网络与 TPP 的结合催生了先进的深度 TPP 模型。虽然这些模型在处理复杂和非线性时序数据方面表现出色，但它们在建模强度函数时存在局限性，在积分计算中面临计算复杂性，并且难以有效捕捉长程时间依赖性。在本研究中，我们引入了 CuFun 模型，代表了一种围绕累积分布函数（CDF）的全新 TPP 方法。CuFun 的独特之处在于使用单调神经网络进行 CDF 表示，并利用过去的事件作为缩放因子。这一创新显著增强了模型在广泛数据场景中的适应性和精度。我们的方法解决了传统 TPP 建模中固有的几个关键问题：它简化了对数似然计算，将适用性扩展到预定义密度函数形式之外，并巧妙地捕捉了长程时间模式。我们的贡献包括：引入了开创性的基于 CDF 的 TPP 模型，开发了一种将过去事件信息纳入未来事件预测的方法，并通过在合成和真实数据集上的大量实验验证了 CuFun 的有效性。
引用
@article{arxiv.2402.00388,
title = {Cumulative Distribution Function based General Temporal Point Processes},
author = {Maolin Wang and Yu Pan and Zenglin Xu and Ruocheng Guo and Xiangyu Zhao and Wanyu Wang and Yiqi Wang and Zitao Liu and Langming Liu},
journal= {arXiv preprint arXiv:2402.00388},
year = {2024}
}