The Ancestor Hawkes Process with an Application to Group Chat Data

技术摘要：祖先 Hawkes 过程及其在群聊数据中的应用

问题陈述
标准多元 Hawkes 过程是一种广泛用于描述具有聚类和爆发特征的点过程数据的模型，其应用范围涵盖地震学至金融领域。在经典表述中，特定维度上事件的条件强度由背景率以及所有过去事件的累积影响驱动。该标准模型的一个关键局限性在于其假设：每个事件仅根据其发生的维度对过程强度施加同等影响，而无论该事件的“分支”历史如何。

在许多现实世界场景中，例如群聊消息，事件的上下文至关重要。具体而言，发起新对话的事件（“移民”事件）对后续互动的影响，可能与现有线程中的回复事件（“触发”事件）截然不同。经典 Hawkes 过程无法区分这两类事件，将来自特定发送者的所有消息视为具有相同的影响幅度。这导致模型在结构上无法捕捉细微的动态差异，例如对新话题的响应倾向与对正在进行讨论的回复之间的差异。

方法论
为了解决这一局限性，作者提出了祖先 Hawkes 过程，这是多元 Hawkes 模型的一种新颖扩展，将事件的潜在分支结构直接纳入参数架构中。

• 模型定义：该模型引入了两个不同的影响幅度矩阵，$K$ 和 $L$。

  • 矩阵 $K$ 控制移民事件（外生生成的事件，$B_i=0$）对其他维度的影响。
  • 矩阵 $L$ 控制触发事件（由先前事件生成的事件，$B_i > 0$）对其他维度的影响。
  • 时间 $t$ 时维度 $m$ 的条件强度定义为：
    $$\lambda_m(t) = \mu_m(t) + \sum_{i: t_i < t, B_i=0} K_{d_i \to m} g_{d_i \to m}(t - t_i) + \sum_{i: t_i < t, B_i > 0} L_{d_i \to m} h_{d_i \to m}(t - t_i)$$
  • 此处，$g$ 和 $h$ 分别代表移民事件和触发事件的影响核函数。该模型假设移民事件和触发事件可能遵循不同的核函数形状和幅度。

• 稳定性：作者证明，如果触发到触发的影响矩阵 $L$ 的谱半径小于 1（$\rho(L) < 1$），则该过程是稳定的（次临界的）。这与标准 Hawkes 过程不同，后者的稳定性取决于单一影响矩阵的谱半径。

• 估计：由于分支变量（$B_i$，指示事件是移民还是触发）在真实数据中不可观测，作者开发了一种贝叶斯吉布斯采样器用于后验推断。

  • 该采样器联合更新模型参数（$\mu, K, L, \theta_g, \theta_h$）和潜在分支变量 $B$。
  • 解决的一个关键技术挑战是：与经典 Hawkes 采样器中分支变量可独立更新不同，祖先 Hawkes 变量是相互依赖的，因为将一个事件分配为移民或触发会改变未来事件的可能性。作者通过反向时间扫描（从 $N$ 到 1）更新分支变量来解决这一问题，条件是所有其他变量的当前状态。

主要贡献与结果

1. 理论扩展：本文形式化了祖先 Hawkes 过程，区分了外生起始和回复驱动的影响。它提供了稳定性条件和严格的贝叶斯推断框架。
2. 模拟研究：
   • 恒定背景率：在具有已知真实值的模拟中，经典 Hawkes 模型被证明会产生有偏估计，有效地平均了移民事件和触发事件的不同影响幅度（模糊了 $K$ 和 $L$）。相比之下，祖先 Hawkes 模型成功恢复了真实的独立矩阵 $K$ 和 $L$，即使影响核函数相同。
   • 时变背景率：第二个模拟模仿了现实世界的应用（9 个维度，季节性背景率），证实了推断过程能够以高相关性（$K$ 为 0.989，$L$ 为 0.995）准确恢复生成影响矩阵。
3. 现实世界应用（群聊数据）：
   • 该模型应用于一个包含 10,705 条消息的数据集，来自一个 9 人小组在 3.5 年内的群聊。仅使用了发送者身份和时间戳；未分析消息内容，以确保隐私。
   • 发现：祖先 Hawkes 模型揭示了不同的响应偏好。例如，来自特定用户的移民消息（发起话题）比来自同一用户的触发消息（回复）引发了显著更多的群组回复。
   • 比较：经典 Hawkes 模型未能捕捉到这种区别，其后验估计位于祖先模型的 $K$ 和 $L$ 分布之间。
   • 预测性能：使用汇总统计量（平均上尾事件间时间、滞后 1 自相关和 Ripley K 统计量）进行的后验预测检查表明，与经典模型相比，祖先 Hawkes 模型对观察到的聚类结构提供了显著更好的拟合。

意义与主张
作者声称，祖先 Hawkes 过程为建模多元事件流提供了一种必要的细化，其中事件的“起源”（外生与内生）从根本上改变了其对未来活动的影响。

• 隐私意识分析：一个重要的实际贡献是能够仅使用元数据（发送者和时间）推断潜在互动结构和个体响应偏好，而无需访问敏感的消息内容。这使得该方法适用于社交媒体分析中的隐私意识应用。
• 捕捉潜在动态：本文认为，“自发开始”与“回复”之间的区别是对话动态中真实存在的特征，而标准模型忽略了这一点。通过分离这些机制，该模型提供了对群组互动结构更准确的表征，例如识别谁发起对话以及谁主要进行回复。
• 通用适用性：虽然在群聊数据上进行了演示，但作者指出该模型与其他多元流的相关性，例如呼叫中心队列、没有回复元数据的组织电子邮件以及重新分享级联，在这些场景中，将外生负载与回复驱动的耦合分离开来具有重要价值。

本文结论较为谦逊，承认虽然该模型有效地捕捉了这些细微差别，但未来的工作可以纳入额外的协变量（如显式的回复元数据或消息类型），并为更大规模的多元场景开发更快的估计过程。