The Ancestor Hawkes Process with an Application to Group Chat Data

기술 요약: 조상 호크스 프로세스 및 그룹 채팅 데이터 적용

문제 제기
표준 다변량 호크스 프로세스는 군집화와 폭발 현상을 특징으로 하는 포인트 프로세스 데이터를 모델링하는 데 널리 사용되며, 지진학부터 금융에 이르기까지 다양한 분야에 적용됩니다. 고전적 공식화에서 특정 차원의 사건들에 대한 조건부 강도는 배경률과 모든 과거 사건의 누적 영향력에 의해 결정됩니다. 이 표준 모델의 결정적 한계는 모든 사건이 발생한 차원에 기반하여 프로세스 강도에 동일한 영향을 미친다고 가정한다는 점이며, 이는 사건의 '분기' 역사와 무관합니다.

많은 실제 시나리오, 예를 들어 그룹 채팅 메시징에서 사건의 맥락은 매우 중요합니다. 구체적으로, 새로운 대화를 시작하는 사건 (이민자 사건) 은 기존 스레드 내의 답변인 사건 (유도된 사건) 보다 미래 상호작용에 다른 영향을 미칠 수 있습니다. 고전적 호크스 프로세스는 이러한 두 유형의 사건을 구별하지 못하며, 특정 발신자의 모든 메시지를 동일한 영향력 크기를 가진 것으로 취급합니다. 이는 새로운 주제에 대한 응답 성향과 진행 중인 논의에 대한 답변 간의 차이와 같은 미묘한 역학을 포착할 수 없는 구조적 무능력을 초래합니다.

방법론
이 한계를 해결하기 위해 저자들은 사건의 잠재적 분기 구조를 매개변수 아키텍처에 직접 통합하는 다변량 호크스 모델의 새로운 확장인 조상 호크스 프로세스를 제안합니다.

• 모델 정의: 이 모델은 두 가지 구별되는 영향력 크기 행렬인 $K$와 $L$을 도입합니다.

  • 행렬 $K$는 이민자 사건 (외생적으로 생성된 사건, $B_i=0$) 이 다른 차원에 미치는 영향을 통제합니다.
  • 행렬 $L$은 유도된 사건 (이전 사건에 의해 생성된 사건, $B_i > 0$) 이 다른 차원에 미치는 영향을 통제합니다.
  • 시간 $t$에서 차원 $m$에 대한 조건부 강도는 다음과 같이 정의됩니다:
    $$\lambda_m(t) = \mu_m(t) + \sum_{i: t_i < t, B_i=0} K_{d_i \to m} g_{d_i \to m}(t - t_i) + \sum_{i: t_i < t, B_i > 0} L_{d_i \to m} h_{d_i \to m}(t - t_i)$$
  • 여기서 $g$와 $h$는 각각 이민자 사건과 유도된 사건에 대한 영향력 커널을 나타냅니다. 이 모델은 이민자 사건과 유도된 사건이 서로 다른 커널 형태와 크기를 따를 수 있다고 가정합니다.

• 안정성: 저자들은 유도된 사건에서 유도된 사건으로의 영향력 행렬 $L$의 스펙트럼 반경이 1 보다 작을 때 ($\rho(L) < 1$) 프로세스가 안정적 (아래임계) 이라고 입증했습니다. 이는 단일 영향력 행렬의 스펙트럼 반경에 안정성이 의존하는 표준 호크스 프로세스와 다릅니다.

• 추정: 실제 데이터에서 분기 변수 ($B_i$, 사건이 이민자인지 유도된 것인지 나타냄) 는 관측되지 않으므로, 저자들은 사후 추론을 위한 베이지안 깁스 샘플러를 개발했습니다.

  • 이 샘플러는 모델 매개변수 ($\mu, K, L, \theta_g, \theta_h$) 와 잠재적 분기 변수 $B$를 공동으로 업데이트합니다.
  • 해결된 주요 기술적 과제는 고전적 호크스 샘플러에서 분기 변수를 독립적으로 업데이트할 수 있는 것과 달리, 조상 호크스 변수는 사건을 이민자 또는 유도된 것으로 할당하는 것이 미래 사건의 가능도를 변경하기 때문에 상호 의존적이라는 점입니다. 저자들은 모든 다른 변수의 현재 상태를 조건으로 하여 $N$에서 1 로 거꾸로 시간 순서를 따라 분기 변수를 업데이트함으로써 이를 해결했습니다.

주요 기여 및 결과

1. 이론적 확장: 이 논문은 외생적 시작과 답변 주도적 영향을 구분하는 조상 호크스 프로세스를 공식화했습니다. 이는 안정성 조건과 엄격한 베이지안 추론 프레임워크를 제공합니다.
2. 시뮬레이션 연구:
   • 일정한 배경률: 알려진 실제값을 가진 시뮬레이션에서 고전적 호크스 모델은 이민자 사건과 유도된 사건의 구별된 영향력 크기를 평균화하여 ($K$와 $L$을 흐리게 함) 편향된 추정을 생성하는 것으로 나타났습니다. 반면, 조상 호크스 모델은 영향력 커널이 동일하더라도 진정한 분리된 행렬 $K$와 $L$을 성공적으로 복원했습니다.
   • 시간 가변 배경률: 실제 세계 적용 (9 차원, 계절적 배경률) 을 모방한 두 번째 시뮬레이션은 추론 절차가 생성된 영향력 행렬을 높은 상관관계 ($K$에 대해 0.989, $L$에 대해 0.995) 로 정확하게 복원할 수 있음을 확인했습니다.
3. 실제 적용 (그룹 채팅 데이터):
   • 이 모델은 3.5 년 동안 9 명 그룹 채팅의 10,705 개 메시지로 구성된 데이터셋에 적용되었습니다. 발신자 신원과 타임스탬프만 사용되었으며 메시지 내용은 분석되지 않아 프라이버시가 보장되었습니다.
   • 결과: 조상 호크스 모델은 뚜렷한 응답 선호도를 드러냈습니다. 예를 들어, 특정 사용자의 이민자 메시지 (주제 시작) 는 같은 사용자의 유도된 메시지 (답변) 보다 그룹으로부터 훨씬 더 많은 응답을 이끌어냈습니다.
   • 비교: 고전적 호크스 모델은 이러한 구분을 포착하지 못했으며, 그 사후 추정치는 조상 모델의 $K$와 $L$ 분포 사이에 위치했습니다.
   • 예측 성능: 요약 통계량 (평균 상부 꼬리 사건 간 시간, 시차 1 자기상관, 리플리의 K-통계량) 을 사용한 사후 예측 검사는 조상 호크스 모델이 고전적 모델보다 관찰된 군집 구조에 훨씬 더 잘 적합함을 보여주었습니다.

의의 및 주장
저자들은 조상 호크스 프로세스가 사건의 '기원' (외생적 vs 내생적) 이 미래 활동에 미치는 영향을 근본적으로 변화시키는 다변량 이벤트 스트림을 모델링하는 데 필요한 정제안을 제공한다고 주장합니다.

• 프라이버시 의식 분석: 중요한 실용적 기여는 민감한 메시지 내용에 접근하지 않고 메타데이터 (발신자 및 시간) 만을 사용하여 잠재적 상호작용 구조와 개별 응답 선호도를 추론할 수 있다는 점입니다. 이는 소셜 미디어 분석에서 프라이버시를 고려한 응용에 적합하게 만듭니다.
• 잠재적 역동성 포착: 이 논문은 '자발적 시작'과 '답변' 간의 구분이 표준 모델이 놓치는 대화 역동성의 진정한 특징이라고 주장합니다. 이러한 메커니즘을 분리함으로써 이 모델은 누가 대화를 시작하는지 대 누구 주로 응답하는지 식별하는 것과 같은 그룹 상호작용 구조를 더 정확하게 표현합니다.
• 일반적 적용성: 그룹 채팅 데이터에서 입증되었지만, 저자들은 외생적 부하를 답변 주도적 결합에서 분리하는 것이 가치 있는 연락처 센터 대기열, 답변 메타데이터가 없는 조직 이메일, 리쉐어 캐스케이드와 같은 기타 다변량 스트림에도 모델이 관련이 있음을 지적합니다.

이 논문은 겸손하게 결론을 내리며, 이 모델이 이러한 미묘한 차이를 효과적으로 포착하지만, 향후 연구는 명시적 답변 메타데이터나 메시지 유형과 같은 추가 공변량을 통합하고 대규모 다변량 설정을 위한 더 빠른 추정 절차를 개발할 수 있음을 인정합니다.