MixedTrails：异质序列数据上的贝叶斯假设比较

用户数据的序列轨迹在线上和线下均被频繁观测到，例如访问网站的序列或由 GPS 捕获的位置序列。然而，理解解释序列数据生成的因素是一项具有挑战性的任务，特别是因为数据的生成通常不是同质的。例如，浏览网站不同阶段的导航行为可能会发生变化，或者不同用户群体之间的移动行为可能存在差异。在本工作中，我们处理这一任务并提出了 MixedTrails，一种用于比较关于异质序列数据生成过程的假设的合理性的贝叶斯方法。每个假设源自现有文献、理论或直觉，代表了对一组状态之间转移概率的信念，这些概率在观测转移的群体之间可能有所不同。例如，当试图理解城市中的人类移动并给定一些观测数据时，假设游客比当地人更有可能向兴趣点移动的假设，可以被证明比假设相反情况的假设更合理。我们的方法将这些假设作为生成式混合转移 Markov 链模型中的贝叶斯先验，并利用贝叶斯因子比较它们的合理性。我们讨论了用于计算贝叶斯因子的边缘似然的解析和近似推断方法，给出了结果解释的指导，并通过在合成数据以及来自 Wikipedia 和 Flickr 的经验数据上的多项实验展示了我们的方法。因此，这项工作为在许多应用领域研究序列数据提供了一种新型分析手段。