在线社交媒体中的效用变点检测：一种显示偏好框架
统计理论
2017-04-05 v1 统计理论
摘要
本文研究在线社交媒体中效用最大化行为的变点检测问题。此类变化由营销、广告或真实情况改变所引发。首先，我们利用显示偏好框架检测效用函数发生变化的未知时间点（变点）。我们推导了检测变点的充要条件。其次，在存在噪声测量的情况下，我们提出一种检测变点并构造决策检验的方法。同时，给出了一个用于恢复线性扰动系数的优化准则。最后，为降低计算成本，提出了一种使用 Johnson-Lindenstrauss 变换的降维算法。所发展的结果在两个真实数据集上进行了说明：Yahoo! Tech Buzz 数据集和 Youstatanalyzer 数据集。利用本文发展的结果，可从这些数据集获得若干有用见解。第一，影响主体效用的真实情况变化可通过在线搜索中的效用最大化行为检测出来。第二，恢复出的效用函数满足单交叉性质，表明在线搜索中的策略替代行为。第三，由于 YouTube 中视频数量巨大，效用最大化行为通过降维算法得以验证。最后，利用在低维恢复的效用函数，我们设计了一种预测 YouTube 总流量的算法。
引用
@article{arxiv.1612.05368,
title = {Utility Change Point Detection in Online Social Media: A Revealed Preference Framework},
author = {Anup Aprem and Vikram Krishnamurthy},
journal= {arXiv preprint arXiv:1612.05368},
year = {2017}
}