从观测数据估计社会影响
社会与信息网络
2022-04-05 v1 人工智能
机器学习
摘要
我们考量估计社会影响的问题，即一个人的行为对其同伴未来行为的作用。关键挑战在于，朋友间共享的行为同样可由影响或另两个混杂因素解释：1）导致人们既成为朋友又参与该行为的潜在特质，以及 2）对该行为的潜在偏好。本文通过三点贡献应对估计社会影响的挑战。首先，我们将社会影响形式化为一种因果效应，其需要对假设干预进行推断。其次，我们提出 Poisson Influence Factorization（PIF），一种从观测数据估计社会影响的方法。PIF 将概率因子模型拟合于网络与行为数据，以推断可作为混杂潜在特质替代的变量。第三，我们给出 PIF 能恢复社会影响估计值所依赖的假设。我们利用 Last.fm 的半合成与真实数据对 PIF 进行实证研究并开展敏感性分析。我们发现，相较于相关方法，PIF 对社会影响的估计最为准确，且在其部分假设被违背时仍保持鲁棒。
引用
@article{arxiv.2204.01633,
title = {Estimating Social Influence from Observational Data},
author = {Dhanya Sridhar and Caterina De Bacco and David Blei},
journal= {arXiv preprint arXiv:2204.01633},
year = {2022}
}
备注
To appear at CLeaR 2022 (1st Conference on Causal Learning and Reasoning)