The Ancestor Hawkes Process with an Application to Group Chat Data

Resumen Técnico: El Proceso de Hawkes Ancestral con una Aplicación a Datos de Chat de Grupo

Enunciado del Problema
El proceso de Hawkes multivariante estándar es un modelo ampliamente utilizado para datos de procesos puntuales caracterizados por agrupamientos y ráfagas, con aplicaciones que van desde la sismología hasta las finanzas. En la formulación clásica, la intensidad condicional de los eventos en una dimensión específica es impulsada por una tasa de fondo y la influencia acumulada de todos los eventos pasados. Una limitación crítica de este modelo estándar es su suposición de que cada evento ejerce una influencia igual sobre la intensidad del proceso basándose únicamente en la dimensión en la que ocurrió, independientemente de la historia de "ramificación" del evento.

En muchos escenarios del mundo real, como los mensajes en chats de grupo, el contexto de un evento importa significativamente. Específicamente, un evento que inicia una nueva conversación (un evento "inmigrante") puede tener un impacto diferente en las interacciones futuras que un evento que es una respuesta dentro de un hilo existente (un evento "disparado"). El proceso de Hawkes clásico no puede distinguir entre estos dos tipos de eventos, tratando todos los mensajes de un remitente específico como si tuvieran magnitudes de influencia idénticas. Esto conduce a una incapacidad estructural para capturar dinámicas matizadas, como la diferencia en la propensión a responder a un tema nuevo versus una respuesta a una discusión en curso.

Metodología
Para abordar esta limitación, los autores proponen el Proceso de Hawkes Ancestral, una extensión novedosa del modelo de Hawkes multivariante que incorpora la estructura de ramificación latente de los eventos directamente en la arquitectura de parámetros.

• Definición del Modelo: El modelo introduce dos matrices de magnitud de influencia distintas, $K$ y $L$.

  • La matriz $K$ gobierna la influencia de los eventos inmigrantes (eventos generados exógenamente, $B_i=0$) sobre otras dimensiones.
  • La matriz $L$ gobierna la influencia de los eventos disparados (eventos generados por eventos anteriores, $B_i > 0$) sobre otras dimensiones.
  • La intensidad condicional para la dimensión $m$ en el tiempo $t$ se define como:
    $$\lambda_m(t) = \mu_m(t) + \sum_{i: t_i < t, B_i=0} K_{d_i \to m} g_{d_i \to m}(t - t_i) + \sum_{i: t_i < t, B_i > 0} L_{d_i \to m} h_{d_i \to m}(t - t_i)$$
  • Aquí, $g$ y $h$ representan los núcleos de influencia para eventos inmigrantes y disparados, respectivamente. El modelo asume que los eventos inmigrantes y disparados pueden seguir formas y magnitudes de núcleo diferentes.

• Estabilidad: Los autores establecen que el proceso es estable (subcrítico) si el radio espectral de la matriz de influencia de disparado a disparado $L$ es menor que 1 ($\rho(L) < 1$). Esto difiere del proceso de Hawkes estándar, donde la estabilidad depende del radio espectral de la única matriz de influencia.

• Estimación: Dado que las variables de ramificación ($B_i$, que indican si un evento es inmigrante o disparado) no se observan en datos reales, los autores desarrollan un muestreador de Gibbs bayesiano para la inferencia posterior.

  • El muestreador actualiza conjuntamente los parámetros del modelo ($\mu, K, L, \theta_g, \theta_h$) y las variables de ramificación latentes $B$.
  • Un desafío técnico clave abordado es que, a diferencia del muestreador de Hawkes clásico donde las variables de ramificación pueden actualizarse independientemente, las variables del Hawkes Ancestral son mutuamente dependientes porque asignar un evento como inmigrante o disparado cambia la probabilidad de eventos futuros. Los autores resuelven esto actualizando las variables de ramificación en un barrido en tiempo inverso (de $N$ a 1), condicionando al estado actual de todas las demás variables.

Contribuciones y Resultados Clave

1. Extensión Teórica: El artículo formaliza el Proceso de Hawkes Ancestral, distinguiendo entre inicios exógenos e influencia impulsada por respuestas. Proporciona condiciones de estabilidad y un marco riguroso de inferencia bayesiana.
2. Estudios de Simulación:
   • Tasas de Fondo Constantes: En simulaciones con verdad fundamental conocida, se demostró que el modelo de Hawkes clásico produce estimaciones sesgadas, promediando efectivamente las magnitudes de influencia distintas de los eventos inmigrantes y disparados (difuminando $K$ y $L$). Por el contrario, el modelo de Hawkes Ancestral recuperó con éxito las matrices separadas reales $K$ y $L$, incluso cuando los núcleos de influencia eran idénticos.
   • Tasas de Fondo Variables en el Tiempo: Una segunda simulación que imitaba la aplicación del mundo real (9 dimensiones, tasas de fondo estacionales) confirmó que el procedimiento de inferencia puede recuperar con precisión las matrices de influencia generadoras con alta correlación (0.989 para $K$ y 0.995 para $L$).
3. Aplicación en el Mundo Real (Datos de Chat de Grupo):
   • El modelo se aplicó a un conjunto de datos de 10,705 mensajes de un chat de grupo de 9 personas durante 3.5 años. Solo se utilizó la identidad del remitente y las marcas de tiempo; el contenido del mensaje no se analizó, garantizando la privacidad.
   • Hallazgos: El modelo de Hawkes Ancestral reveló preferencias de respuesta distintas. Por ejemplo, un mensaje inmigrante (iniciando un tema) de un usuario específico elicita significativamente más respuestas del grupo que un mensaje disparado (una respuesta) del mismo usuario.
   • Comparación: El modelo de Hawkes clásico no logró capturar esta distinción, con sus estimaciones posteriores ubicadas entre las distribuciones $K$ y $L$ del modelo Ancestral.
   • Rendimiento Predictivo: Las verificaciones predictivas posteriores utilizando estadísticas resumidas (media del tiempo inter-evento en la cola superior, autocorrelación de retardo 1 y estadístico K de Ripley) demostraron que el modelo de Hawkes Ancestral proporcionó un ajuste significativamente mejor a la estructura de agrupamiento observada que el modelo clásico.

Significado y Afirmaciones
Los autores afirman que el Proceso de Hawkes Ancestral ofrece un refinamiento necesario para modelar flujos de eventos multivariantes donde el "origen" de un evento (exógeno vs. endógeno) altera fundamentalmente su impacto en la actividad futura.

• Análisis Consciente de la Privacidad: Una contribución práctica significativa es la capacidad de inferir estructuras de interacción latentes y preferencias de respuesta individuales utilizando solo metadatos (remitente y hora), sin acceder al contenido sensible de los mensajes. Esto hace que el enfoque sea adecuado para aplicaciones conscientes de la privacidad en el análisis de redes sociales.
• Captura de Dinámicas Latentes: El artículo argumenta que la distinción entre "inicios espontáneos" y "respuestas" es una característica genuina de las dinámicas conversacionales que los modelos estándar pasan por alto. Al separar estos mecanismos, el modelo proporciona una representación más precisa de las estructuras de interacción grupal, como identificar quién inicia conversaciones versus quién responde principalmente.
• Aplicabilidad General: Aunque se demostró en datos de chat de grupo, los autores señalan la relevancia del modelo para otros flujos multivariantes, como colas de centros de contacto, correos electrónicos organizacionales sin metadatos de respuesta y cascadas de re-compartir, donde separar la carga exógena del acoplamiento impulsado por respuestas es valioso.

El artículo concluye con modestia, reconociendo que, aunque el modelo captura estas sutilezas de manera efectiva, el trabajo futuro podría incorporar covariables adicionales (como metadatos de respuesta explícitos o tipos de mensajes) y desarrollar procedimientos de estimación más rápidos para configuraciones multivariantes a mayor escala.