社交离散选择模型
社会与信息网络
2017-11-06 v2 物理与社会
摘要
人类决策构成了多个应用领域中的数据生成过程，解释和预测个体所做选择的模型需求量很大。离散选择模型在经济学和计算社会科学中受到广泛研究。随着数字社交网络促进个体间的信息流动和影响力传播，除了影响个体选择的特征属性外，还需要建模方面的新进展以将社交信息纳入这些模型。在本文中，我们提出了两种具有可扩展训练算法的新模型：局部逻辑图正则化 (LLGR) 和潜在类别图正则化 (LCGR) 模型。我们添加社交正则化来表示朋友之间的相似性，并引入潜在类别以解释不同社交群体之间可能存在的偏好差异。LLGR 模型的训练使用交替方向乘子法 (ADMM) 进行，而 LCGR 模型的训练使用专门的蒙特卡罗期望最大化 (MCEM) 算法进行。通过在期望步骤和最大化步骤中并行化计算，实现了对大规模图的可扩展性。LCGR 模型是首个纳入由给定图表示的个体间社交关系的潜在类别分类模型。为了评估我们的两个模型，我们考虑了三类数据，以说明互联网和社交媒体应用中典型的大规模用例。我们在合成数据集上进行实验，从经验上解释所提出的模型在何时优于不利用图结构的普通分类模型。我们还在真实世界数据上进行实验，包括小规模和大规模真实世界数据集，以证明我们的模型在哪些类型的数据集上有望超越 SOTA 模型。
引用
@article{arxiv.1703.07520,
title = {Social Discrete Choice Models},
author = {Danqing Zhang and Kimon Fountoulakis and Junyu Cao and Michael Mahoney and Alexei Pozdnoukhov},
journal= {arXiv preprint arXiv:1703.07520},
year = {2017}
}