The Ancestor Hawkes Process with an Application to Group Chat Data

Résumé technique : Le processus de Hawkes ancêtre avec une application aux données de chat de groupe

Énoncé du problème
Le processus de Hawkes multivarié standard est un modèle largement utilisé pour les données de processus ponctuels caractérisées par des regroupements et des rafales, avec des applications allant de la sismologie à la finance. Dans la formulation classique, l'intensité conditionnelle des événements dans une dimension spécifique est pilotée par un taux de fond et l'influence cumulative de tous les événements passés. Une limitation critique de ce modèle standard est son hypothèse selon laquelle chaque événement exerce une influence égale sur l'intensité du processus basée uniquement sur la dimension dans laquelle il s'est produit, indépendamment de l'historique de « ramification » de l'événement.

Dans de nombreux scénarios réels, tels que la messagerie de chat de groupe, le contexte d'un événement compte considérablement. Plus précisément, un événement qui initie une nouvelle conversation (un événement « immigrant ») peut avoir un impact différent sur les interactions futures qu'un événement qui est une réponse au sein d'un fil existant (un événement « déclenché »). Le processus de Hawkes classique ne peut pas distinguer entre ces deux types d'événements, traitant tous les messages d'un expéditeur spécifique comme ayant des magnitudes d'influence identiques. Cela conduit à une incapacité structurelle à capturer des dynamiques nuancées, telles que la différence de propension à répondre à un nouveau sujet par rapport à une réponse à une discussion en cours.

Méthodologie
Pour remédier à cette limitation, les auteurs proposent le processus de Hawkes ancêtre, une extension novatrice du modèle de Hawkes multivarié qui intègre la structure de ramification latente des événements directement dans l'architecture des paramètres.

• Définition du modèle : Le modèle introduit deux matrices de magnitude d'influence distinctes, $K$ et $L$.

  • La matrice $K$ régit l'influence des événements immigrants (événements générés de manière exogène, $B_i=0$) sur les autres dimensions.
  • La matrice $L$ régit l'influence des événements déclenchés (événements générés par des événements précédents, $B_i > 0$) sur les autres dimensions.
  • L'intensité conditionnelle pour la dimension $m$ à l'instant $t$ est définie comme suit :
    $$\lambda_m(t) = \mu_m(t) + \sum_{i: t_i < t, B_i=0} K_{d_i \to m} g_{d_i \to m}(t - t_i) + \sum_{i: t_i < t, B_i > 0} L_{d_i \to m} h_{d_i \to m}(t - t_i)$$
  • Ici, $g$ et $h$ représentent les noyaux d'influence pour les événements immigrants et déclenchés, respectivement. Le modèle suppose que les événements immigrants et déclenchés peuvent suivre des formes et des magnitudes de noyaux différentes.

• Stabilité : Les auteurs établissent que le processus est stable (sous-critique) si le rayon spectral de la matrice d'influence déclenché-vers-déclenché $L$ est inférieur à 1 ($\rho(L) < 1$). Cela diffère du processus de Hawkes standard, où la stabilité dépend du rayon spectral de la matrice d'influence unique.

• Estimation : Puisque les variables de ramification ($B_i$, indiquant si un événement est un immigrant ou déclenché) ne sont pas observées dans les données réelles, les auteurs développent un échantillonneur de Gibbs bayésien pour l'inférence postérieure.

  • L'échantillonneur met à jour conjointement les paramètres du modèle ($\mu, K, L, \theta_g, \theta_h$) et les variables de ramification latentes $B$.
  • Un défi technique clé abordé est que, contrairement à l'échantillonneur de Hawkes classique où les variables de ramification peuvent être mises à jour indépendamment, les variables du processus de Hawkes ancêtre sont mutuellement dépendantes car l'attribution d'un événement comme immigrant ou déclenché modifie la vraisemblance des événements futurs. Les auteurs résolvent cela en mettant à jour les variables de ramification dans un balayage en temps inverse (de $N$ à 1), en conditionnant sur l'état actuel de toutes les autres variables.

Contributions et résultats clés

1. Extension théorique : L'article formalise le processus de Hawkes ancêtre, distinguant les débuts exogènes de l'influence pilotée par les réponses. Il fournit des conditions de stabilité et un cadre rigoureux d'inférence bayésienne.
2. Études de simulation :
   • Taux de fond constants : Dans des simulations avec une vérité terrain connue, il a été démontré que le modèle de Hawkes classique produisait des estimations biaisées, moyennant efficacement les magnitudes d'influence distinctes des événements immigrants et déclenchés (floutant $K$ et $L$). En revanche, le modèle de Hawkes ancêtre a réussi à retrouver les matrices séparées réelles $K$ et $L$, même lorsque les noyaux d'influence étaient identiques.
   • Taux de fond variant dans le temps : Une deuxième simulation imitant l'application réelle (9 dimensions, taux de fond saisonniers) a confirmé que la procédure d'inférence peut récupérer avec précision les matrices d'influence génératrices avec une corrélation élevée (0,989 pour $K$ et 0,995 pour $L$).
3. Application réelle (données de chat de groupe) :
   • Le modèle a été appliqué à un ensemble de données de 10 705 messages provenant d'un chat de groupe de 9 personnes sur 3,5 ans. Seule l'identité de l'expéditeur et les horodatages ont été utilisés ; le contenu des messages n'a pas été analysé, garantissant la confidentialité.
   • Résultats : Le modèle de Hawkes ancêtre a révélé des préférences de réponse distinctes. Par exemple, un message immigrant (initiant un sujet) d'un utilisateur spécifique a suscité significativement plus de réponses du groupe qu'un message déclenché (une réponse) du même utilisateur.
   • Comparaison : Le modèle de Hawkes classique n'a pas réussi à capturer cette distinction, ses estimations postérieures se situant entre les distributions $K$ et $L$ du modèle ancêtre.
   • Performance prédictive : Les vérifications prédictives postérieures utilisant des statistiques de résumé (temps inter-événement moyen dans la queue supérieure, autocorrélation à retard 1, et statistique K de Ripley) ont démontré que le modèle de Hawkes ancêtre offrait un ajustement significativement meilleur à la structure de regroupement observée que le modèle classique.

Importance et affirmations
Les auteurs affirment que le processus de Hawkes ancêtre offre un raffinement nécessaire pour modéliser des flux d'événements multivariés où l'« origine » d'un événement (exogène vs endogène) modifie fondamentalement son impact sur l'activité future.

• Analyse soucieuse de la vie privée : Une contribution pratique significative est la capacité d'inférer des structures d'interaction latentes et des préférences de réponse individuelles en utilisant uniquement des métadonnées (expéditeur et heure), sans accéder au contenu sensible des messages. Cela rend l'approche adaptée aux applications soucieuses de la vie privée dans l'analyse des médias sociaux.
• Capturer les dynamiques latentes : L'article soutient que la distinction entre les « débuts spontanés » et les « réponses » est une caractéristique réelle des dynamiques conversationnelles que les modèles standards manquent. En séparant ces mécanismes, le modèle fournit une représentation plus précise des structures d'interaction de groupe, telles que l'identification de qui initie les conversations par rapport à qui répond principalement.
• Applicabilité générale : Bien que démontré sur des données de chat de groupe, les auteurs notent la pertinence du modèle pour d'autres flux multivariés, tels que les files d'attente des centres de contact, les e-mails organisationnels sans métadonnées de réponse et les cascades de partages, où la séparation de la charge exogène du couplage piloté par les réponses est précieuse.

L'article conclut avec modestie, reconnaissant que bien que le modèle capture efficacement ces nuances, des travaux futurs pourraient intégrer des covariables supplémentaires (comme des métadonnées de réponse explicites ou des types de messages) et développer des procédures d'estimation plus rapides pour des contextes multivariés à plus grande échelle.