面向人口统计预测的人类行为时间特性建模
机器学习
2017-11-16 v5
摘要
由于传统数据稀缺，移动电话元数据在发展中国家正日益用于人道主义目的。然而，基本人口统计信息常缺失于移动电话数据集中，限制了数据集的应用效果。因此，从移动电话元数据预测人口统计信息的兴趣日益增长。先前工作专注于创建日益先进的特征，以标准机器学习算法建模。我们在此改为直接使用深度学习对原始移动电话元数据建模，利用数据中模式的时间特性。从高层假设出发，我们设计了数据表示和卷积网络架构以建模一周内的模式。然后我们检验了跨周聚合模式的三种策略，并表明我们的方法仅使用移动元数据中的时间模态，在年龄和性别预测上达到了最先进的精度。最后我们在低活跃用户上验证方法并评估建模假设。
引用
@article{arxiv.1511.06660,
title = {Modeling the Temporal Nature of Human Behavior for Demographics Prediction},
author = {Bjarke Felbo and Pål Sundsøy and Alex 'Sandy' Pentland and Sune Lehmann and Yves-Alexandre de Montjoye},
journal= {arXiv preprint arXiv:1511.06660},
year = {2017}
}
备注
Accepted at ECML 2017. A previous version of this paper was titled 'Using Deep Learning to Predict Demographics from Mobile Phone Metadata' and was accepted at the ICLR 2016 workshop