The Ancestor Hawkes Process with an Application to Group Chat Data

Resumo Técnico: O Processo de Hawkes Ancestral com Aplicação a Dados de Chat em Grupo

Enunciação do Problema
O processo de Hawkes multivariado padrão é um modelo amplamente utilizado para dados de processos pontuais caracterizados por agrupamentos e explosões, com aplicações que vão desde a sismologia até as finanças. Na formulação clássica, a intensidade condicional de eventos em uma dimensão específica é impulsionada por uma taxa de fundo e pela influência cumulativa de todos os eventos passados. Uma limitação crítica deste modelo padrão é a sua premissa de que cada evento exerce uma influência igual na intensidade do processo com base exclusivamente na dimensão em que ocorreu, independentemente da história de "ramificação" do evento.

Em muitos cenários do mundo real, como mensagens em chat de grupo, o contexto de um evento importa significativamente. Especificamente, um evento que inicia uma nova conversa (um evento "imigrante") pode ter um impacto diferente nas interações futuras do que um evento que é uma resposta dentro de um thread existente (um evento "acionado"). O processo de Hawkes clássico não consegue distinguir entre esses dois tipos de eventos, tratando todas as mensagens de um remetente específico como tendo magnitudes de influência idênticas. Isso leva a uma incapacidade estrutural de capturar dinâmicas sutis, como a diferença na propensão de resposta a um novo tópico versus uma resposta a uma discussão em andamento.

Metodologia
Para abordar essa limitação, os autores propõem o Processo de Hawkes Ancestral, uma extensão inovadora do modelo de Hawkes multivariado que incorpora a estrutura de ramificação latente dos eventos diretamente na arquitetura dos parâmetros.

• Definição do Modelo: O modelo introduz duas matrizes distintas de magnitude de influência, $K$ e $L$.

  • A matriz $K$ governa a influência de eventos imigrantes (eventos gerados exogenamente, $B_i=0$) sobre outras dimensões.
  • A matriz $L$ governa a influência de eventos acionados (eventos gerados por eventos anteriores, $B_i > 0$) sobre outras dimensões.
  • A intensidade condicional para a dimensão $m$ no tempo $t$ é definida como:
    $$\lambda_m(t) = \mu_m(t) + \sum_{i: t_i < t, B_i=0} K_{d_i \to m} g_{d_i \to m}(t - t_i) + \sum_{i: t_i < t, B_i > 0} L_{d_i \to m} h_{d_i \to m}(t - t_i)$$
  • Aqui, $g$ e $h$ representam os kernels de influência para eventos imigrantes e acionados, respectivamente. O modelo assume que eventos imigrantes e acionados podem seguir formas e magnitudes de kernel diferentes.

• Estabilidade: Os autores estabelecem que o processo é estável (subcrítico) se o raio espectral da matriz de influência de acionado para acionado $L$ for menor que 1 ($\rho(L) < 1$). Isso difere do processo de Hawkes padrão, onde a estabilidade depende do raio espectral da única matriz de influência.

• Estimação: Como as variáveis de ramificação ($B_i$, indicando se um evento é um imigrante ou acionado) não são observadas em dados reais, os autores desenvolvem um amostrador de Gibbs Bayesiano para inferência posterior.

  • O amostrador atualiza conjuntamente os parâmetros do modelo ($\mu, K, L, \theta_g, \theta_h$) e as variáveis de ramificação latentes $B$.
  • Um desafio técnico chave abordado é que, ao contrário do amostrador de Hawkes clássico onde as variáveis de ramificação podem ser atualizadas independentemente, as variáveis do Hawkes Ancestral são mutuamente dependentes, pois atribuir um evento como imigrante ou acionado altera a probabilidade de eventos futuros. Os autores resolvem isso atualizando as variáveis de ramificação em uma varredura de tempo reverso (de $N$ até 1), condicionando ao estado atual de todas as outras variáveis.

Principais Contribuições e Resultados

1. Extensão Teórica: O artigo formaliza o Processo de Hawkes Ancestral, distinguindo entre inícios exógenos e influência impulsionada por respostas. Ele fornece condições de estabilidade e uma estrutura rigorosa de inferência Bayesiana.
2. Estudos de Simulação:
   • Taxas de Fundo Constantes: Em simulações com verdade fundamental conhecida, o modelo de Hawkes clássico mostrou-se produzir estimativas enviesadas, efetivamente fazendo a média das magnitudes de influência distintas de eventos imigrantes e acionados (borrando $K$ e $L$). Em contraste, o modelo de Hawkes Ancestral recuperou com sucesso as matrizes verdadeiras separadas $K$ e $L$, mesmo quando os kernels de influência eram idênticos.
   • Taxas de Fundo Variáveis no Tempo: Uma segunda simulação, imitando a aplicação do mundo real (9 dimensões, taxas de fundo sazonais), confirmou que o procedimento de inferência pode recuperar com precisão as matrizes de influência geradoras com alta correlação (0,989 para $K$ e 0,995 para $L$).
3. Aplicação no Mundo Real (Dados de Chat em Grupo):
   • O modelo foi aplicado a um conjunto de dados de 10.705 mensagens de um chat de grupo de 9 pessoas ao longo de 3,5 anos. Apenas a identidade do remetente e os carimbos de data/hora foram utilizados; o conteúdo das mensagens não foi analisado, garantindo a privacidade.
   • Descobertas: O modelo de Hawkes Ancestral revelou preferências de resposta distintas. Por exemplo, uma mensagem imigrante (iniciando um tópico) de um usuário específico elicita significativamente mais respostas do grupo do que uma mensagem acionada (uma resposta) do mesmo usuário.
   • Comparação: O modelo de Hawkes clássico falhou em capturar essa distinção, com suas estimativas posteriores situando-se entre as distribuições $K$ e $L$ do modelo Ancestral.
   • Desempenho Preditivo: Verificações preditivas posteriores usando estatísticas de resumo (média do tempo inter-evento na cauda superior, autocorrelação de lag-1 e estatística K de Ripley) demonstraram que o modelo de Hawkes Ancestral forneceu um ajuste significativamente melhor à estrutura de agrupamento observada do que o modelo clássico.

Significado e Afirmações
Os autores afirmam que o Processo de Hawkes Ancestral oferece um refinamento necessário para modelar fluxos de eventos multivariados onde a "origem" de um evento (exógeno versus endógeno) altera fundamentalmente seu impacto na atividade futura.

• Análise Consciente da Privacidade: Uma contribuição prática significativa é a capacidade de inferir estruturas de interação latentes e preferências individuais de resposta usando apenas metadados (remetente e tempo), sem acessar o conteúdo sensível das mensagens. Isso torna a abordagem adequada para aplicações conscientes da privacidade em análises de mídias sociais.
• Captura de Dinâmicas Latentes: O artigo argumenta que a distinção entre "inícios espontâneos" e "respostas" é uma característica genuína das dinâmicas conversacionais que os modelos padrão ignoram. Ao separar esses mecanismos, o modelo fornece uma representação mais precisa das estruturas de interação em grupo, como identificar quem inicia conversas versus quem responde principalmente.
• Aplicabilidade Geral: Embora demonstrado em dados de chat de grupo, os autores notam a relevância do modelo para outros fluxos multivariados, como filas de centros de contato, e-mails organizacionais sem metadados de resposta e cascatas de compartilhamento, onde separar a carga exógena do acoplamento impulsionado por respostas é valioso.

O artigo conclui modestamente, reconhecendo que, embora o modelo capture essas nuances de forma eficaz, trabalhos futuros poderiam incorporar covariáveis adicionais (como metadados de resposta explícita ou tipos de mensagem) e desenvolver procedimentos de estimação mais rápidos para configurações multivariadas em maior escala.