WeChat grubuna davet edilecek bir sonraki kişi kimdir? Tsinghua Tencent IJCAI Makalesinin Bir Yorumu
Leifeng.com AI Teknolojisi Yorumu: WeChat grubu şu anda en çok kullandığımız çok kişili sohbet yöntemlerimizden biridir, ancak grup oluşturma ve alıştığımız insanları çekme sürecinde ilginç bir sorun, bir WeChat grubunun kurulmasıdır.Sosyal ilişkilere göre Bir ağ ilişkisi kurduktan sonra gruba davet edilecek bir sonraki kişi kim olabilir? Tsinghua Üniversitesi ve Tencent'ten Tang Jie ekibi bu konuda derinlemesine ve ayrıntılı araştırma yaptı. Çalışma IJCAI17'de yayınlandı. Makalenin başlığı "Sırada Kimleri Davet Etmeli? Sosyal Grupların Davetlilerini Tahmin Etmek". Yazarlar arasında Han Yan (Tsinghua) yer alıyor. , Tang Jie (Tsinghua), Ye Hao (Tencent), Chen Bo (Tencent). Leifeng.com, ilk yazar Han Yan'ı makaleyi yorumlaması için davet etti.
Kağıt adresi: https://www.ijcai.org/proceedings/2017/0519.pdf
Bu çalışma, belirli bir gruba kimin davet edileceğini tahmin etmek için WeChat platformu araştırma grubu davet problemine dayanmaktadır. Bu soruna cevaben önce aşağıdaki örneğe bakalım.
Şekil 1
Yukarıdaki resim bir sosyal ağ grubunu ve ilgili kullanıcılarını belirli bir anda göstermektedir.Örneğin, onu bir WeChat sohbet grubu olarak kabul edebiliriz, her avatar bir kullanıcıyı temsil eder ve kullanıcılar arasındaki kenarlar WeChat arkadaşları olarak kabul edilebilir. ilişki. Mavi çemberdeki kullanıcılar bu WeChat grubunun üyeleridir WeChat grubuna dahil olmayan ancak grup üyeleriyle arkadaş ilişkileri olan kullanıcıları bu grubun "uç kullanıcıları", yani söz konusu olası davetliler olarak adlandırıyoruz. Sonra bu resimde gösterilen ağ yapısı ilişkisine göre, bir sonraki anda hangi kullanıcının davet edileceğini sezgisel olarak hissediyoruz? Belki de Kullanıcı A, grupta üç arkadaşı olduğu için daha olasıdır. O halde başka bir soru, eğer B kullanıcısı bir sonraki anda gruba davet edilirse, gruba katılmak için kimin davet edilmesi daha olasıdır? Sonuç C olabilir, çünkü B ve C'nin iki ortak arkadaşı vardır. Bu bize davetlileri tahmin etmek için bazı fikirler sağlar, ancak yine de gerçek verilerle ilgili sezgimizi doğrulamamız gerekir.
Gerçek WeChat sosyal platformunda gözlem için veri çıkardık. WeChat tarafından oluşturulan ve 3 milyondan fazla kullanıcıyı, 4 milyondan fazla edge'i ve yaklaşık 1 milyon davet kaydını içeren araştırma için yarım saat içinde bir adlandırılmış grubu çıkardık. Grubun değişim sürecini analiz etmek için, grubun oluşturulduğu andan grubun oluşturulduğu andan sonraki zaman diliminde gözlem için 7 gözlem noktası oluşturduk.Grup oluşturulduktan yarım saat, 1 saat, 3 saat ve 24 saat sonra. 1 ay, 3 ay, 6 ay ve 1 yıl sonra. Aşağıya bakınız:
şekil 2
Şekil 2 (a), bir yıl içinde grup üyelerinin sayısındaki değişikliği göstermektedir. Daha önce her gözlem noktasında grup üyelerinin sayısının yüzdesini hesaplamak için son gözlem noktasını kıyaslama olarak kullanıyoruz. Yatay eksen zaman eksenidir ve dikey eksen yüzdedir. İlk dört gözlem noktasında grubun değişimlerini daha iyi gösterebilmek için özellikle Şekil 2 (b) 'de ilk dört gözlem noktasını çiziyoruz. Grubun zamanla artan bir eğilim gösterdiğini görebiliyoruz ve zaman ne kadar erken olursa, artış hızı o kadar hızlı ve zaman geçtikçe artış hızı o kadar yavaş. WeChat grubu arttıkça, kullanıcıların gruba davet edilme olasılığı Şekil 3'te gösterildiği gibi azalır.
resim 3
Şekil 3 (a), bir kullanıcının gruba davet edilme olasılığının zaman içinde nasıl değiştiğini göstermektedir. Benzer şekilde, Şekil 3 (b), ilk dört gözlem noktasının büyütülmüş bir versiyonudur. Bu nedenle, grubun genel özellikleri açısından kullanıcıların gruba katılma olasılığını etkileyeceği sonucuna varabiliriz.
Ardından, kullanıcılar arasındaki etkileşimi daha fazla gözlemliyoruz. İlk olarak, iki uç kullanıcının belirli bir grup için belirli bir benzerliği varsa, o zaman iki kullanıcının bu grup için davet olasılıklarının belirli bir korelasyona sahip olduğunu düşünebiliriz. Diğer bir deyişle, bir kullanıcı davet edildikten sonra, başka bir kullanıcı hemen davet edilecektir. Bu tür kullanıcılara bu grubun "ortak uç kullanıcıları" diyoruz. Bu korelasyonu daha nicel olarak analiz etmek için burada iki ortak kullanıcı tanımlıyoruz. Birincisi, bu grubun iki uç kullanıcısının arkadaşlık ilişkisi olmasıdır. İkincisi, bu grubun iki uç kullanıcısının, bu grubun üyesi olan birden fazla ortak arkadaşa sahip olmasıdır. Şekil 4'te gösterildiği gibi:
Şekil 1'de, kullanıcı D ve E kullanıcısı, birinci tip ortak uç kullanıcılarına aitken, B kullanıcıları ve C kullanıcısı ikinci tip ortak uç kullanıcılarına aittir. Şekil 4, bu iki kullanıcının gruba davet edilme olasılığını ölçmektedir.
Şekil 4
Şekil 4'te kırmızı sütun, kullanıcının gruba katılma ortalama olasılığını temsil eder, sarı sütun, bir kullanıcı gruba katıldıktan sonra birinci türdeki ortak uç kullanıcının gruba katılma olasılığını temsil eder ve mavi sütun, ikinci ortak türünü temsil eder. Edge kullanıcısı, bir başka kullanıcının gruba katıldıktan sonra gruba katılma olasılığına sahiptir Mavi sütunun altındaki numara etiketi, gruptaki iki kullanıcının ortak arkadaşlarının sayısını temsil eder. Bu iki ortağın uç kullanıcı grubuna katılma olasılığının ortalama olasılığın çok üzerinde olduğunu görebiliriz.
Ayrıca, bir kullanıcı bir gruba "daha yakın" ise, kullanıcının gruba davet edilme olasılığı o kadar yüksek olur. Bu hipotezi test etmek için, önce bu samimiyet derecesini ölçmek için iki gösterge tanımlıyoruz. Birincisi kullanıcının grup üyesindeki arkadaş sayısı, ikincisi ise kullanıcının grup üyesindeki bitişik üçgenlerinin sayısıdır (yani kullanıcının bitişik kapalı üçgenindeki diğer iki düğüm grup içindedir). Örneğin, Şekil 1'de, A kullanıcısının ilk indeks değeri 3 ve ikinci indeks değeri 2'dir.
Şekil 5
Şekil 5 (a), kullanıcının ilk göstergesinin olasılığını göstermektedir. Yatay eksen, kullanıcının grup üyeleri ve arkadaşlarının sayısıdır ve dikey eksen gruba katılma olasılığıdır. Şekil 5 (b), kullanıcılar için ikinci göstergenin olasılığını göstermektedir. Yatay eksen, kullanıcı grubu üyelerine bitişik üçgenlerin sayısıdır ve dikey eksen, gruba katılma olasılığıdır. Açıktır ki, bu iki gösterge için, değer ne kadar büyükse, gruba katılma olasılığı o kadar artar.
Bu nedenle, kullanıcıların gruba katılma olasılığını etkileyen faktörleri üç kategoriye ayırabiliriz, yani grubun genel faktörleri, kullanıcılar arasındaki faktörler ve sırasıyla g, h ve f ile temsil edilen kullanıcılar ile grup arasındaki ilişkinin faktörleri. Bu üç faktörü ayrı ayrı modelleyebiliriz:
Ardından bunları birleşik bir çerçeveye entegre edin. Şekil 6'da gösterildiği gibi.
Resim 6
Faktör grafiği modeli teorisine göre, kullanıcıların gruba katılma olasılığını bu üç faktörün çarpımına, yani
O zaman objektif işlevi elde edin, yani
.
Amaç fonksiyonunun kısmi türevini alıyoruz ve
Diğer iki faktör parametresi benzerdir ve burada atlanmıştır. Bu formülde, eşittir işaretinin sağ tarafındaki ilk terim, fonksiyonun veri dağılımına dayandığı beklentisini temsil eder.Bu daha iyi bir hesaplama çünkü veriler sınırlı. İkinci terim ise hesaplanamayan model parametrelerine dayalı fonksiyonun beklentisidir. Bu sorunu çözmek için inanç yayma yöntemini kullanıyoruz. Kısmi türev değeri ile, parametreleri optimize etmek için gradyan güncelleme yöntemini kullanabiliriz, yani
Ardından, kullanıcının gruba davet edilip edilmediğini tahmin etmek için optimize edilmiş parametreleri kullanın.
Modelin performansını değerlendirmek için iki kıyaslama yöntemi kullanıyoruz. Birincisi sınıflandırma yöntemi, ikincisi ise bağlantı tahmin yöntemidir. Deneysel sonuçlar Tablo 1'de gösterilmektedir (ML-FGM, metinde açıklanan modeldir).
tablo 1
Ek olarak, her faktörün modelin performansı üzerindeki etkisini gözlemlemek için, Şekil 7'de gösterildiği gibi deney için grup faktörünü ve kullanıcı etkileşim faktörünü kaldırdık.
Şekil 7
Dört renkli çubuk, kaldırma olmadığını gösterir, yalnızca grup faktörü kaldırılır, yalnızca kullanıcı etkileşim faktörü ve iki faktörün performansı kaldırılır. Kullanıcı etkileşim faktörünün kaldırılmasının performans üzerinde nispeten büyük bir etkiye sahip olduğu görülebilir.
Bu makale, kullanıcının gruba girişini etkileyen faktörlerin analizinden başlar ve kullanıcının gruba davetini etkileyebilecek üç faktörü bir çerçeveye entegre etmek için bir olasılık faktörü grafik modeli kullanır; bu, kullanıcının gruba girişini tahmin etme olasılığını artırır. Gruplar sosyal ağlarda önemli bir kavramdır.Grupların gelişimini ve değişimini tahmin etmek için kullanıcı ağı yapısını kullanabiliriz Öte yandan grupların gelişimi ve değişiklikleri de kullanıcı ağı yapısını etkiler. Bu nedenle, grubun kullanıcının ağ yapısı üzerindeki etkisini incelemek ve bilgiyi ağ yapısının gelişimini ve değişimini tahmin etmek için kullanmak da bu alanda acil bir sorundur.
