- 多维标记霍克斯过程的非参数估计
本文提出了一种用于估计带有标记的 Hawkes 过程的条件强度的非参数方法,并引入了两个不同的模型:用于具有兴奋核的 Hawkes 过程的浅层神经 Hawkes 模型和用于非线性 Hawkes 过程的神经网络模型。通过在合成数据集和加密货币 - ACL通过 Hawkes 过程建模对话中用户满意度的动态变化
本文提出了一种基于 Hawkes 过程的用户满意度评估器 ASAP,可以更好地模拟对话中用户满意度的动态变化,实验结果表明 ASAP 可以显著优于现有评估器。
- EMNLP从短期语言影响预测长期引用
该研究提出了一种基于语言影响力的新方法来量化文献对后续出版物内容的影响程度,并通过测量高维度的 Hawkes 过程来预测未来引用次数。
- 基数正则化 Hawkes-Granger 模型
本文提出了一个新的稀疏 Granger 因果学习框架,用于处理时间事件数据,聚焦于 Hawkes process,根据一个基于基数规范化的 Hawkes process 的数学定义,提出了一个数学上严谨的稀疏 Granger 因果学习框架, - Bellman Meets Hawkes: 基于模型的时空点过程强化学习
通过 Hawkes 过程建立了异步离散事件的环境动力学模型,并开发了一种基于模型的强化学习算法,用于解决社交媒体、金融和健康信息学中广泛存在的顺序决策问题。
- 基于图霍克斯神经网络的时序知识图谱预测
作者们提出了一种名为 Graph Hawkes Neural Network 的方法,可以用来建模动态图序列中的事件发生,同时还可以预测未来事件发生的时间和类型。实验证明,该方法对于大规模的时态多关系数据库非常有效,例如时间知识图谱。
- MM用自组织决策树的时空点过程预测
本文提出了一种新方法,利用 Hawkes 过程和自适应决策树来对时空数据进行建模,通过非平稳的时空表达,对每个子区域进行点处理来对其进行统计,且提供了一种基于梯度的联合优化算法, 实验结果表明,与文献中常用的标准方法相比,该方法在空间适应性 - 自我关注 Hawkes 过程
提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法,相较于传统的统计方法和深度循环神经网络,该方法能更好地识别时间事件之间的 - AAAI稀疏高斯过程调制霍克斯过程的变分推断
本文提出了一种新的非参数贝叶斯 Hawkes 过程模型,使用稀疏高斯过程来建模触发核,进而通过新颖的变分推断方案,实现了模型优化的效率提升。通过使用不同的数据集进行了对比,结果表明本方法在模型选择及预测准确性方面均优于现有的频率派和贝叶斯方 - 社交媒体事件的 Hawkes 过程教程
本章介绍了点过程、特别是霍克斯过程,用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案,并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法,以及如何估计参数和预测流行 - ICML基于点过程的虚假新闻干预措施
本研究提出了一个新的多阶段干预框架,通过将强化学习与点过程网络活动模型相结合来解决社交网络中假新闻的问题。通过选择状态的特征表示,定义缓解行动,构造奖励函数来度量缓解活动的有效性,在预算约束下,将假新闻缓解问题映射到强化学习框架中。在 Tw - 基于 Hawkes 过程的狄利克雷混合模型用于事件序列聚类
本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题,并通过 EM 算法的内外迭代进行分析和学习,演示了该方法的优越性和稳健性。
- 在线网络中语言变化的社会动态
使用推特数据集跟踪语言变化,揭示了语言变化是一种社会影响,基于 Hawkes process 模型验证了社交网络中的强关系在语言影响中扮演重要角色。
- 基于特征和点过程的流行度预测方法
本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法,用于预测社交媒体信息的流行度,并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时,本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务 - 社交网络中的多阶段策略营销
通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上,建立一个基于多变量 Hawkes 过程的社交网络优化理论框架,并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系,进一步发展了一个凸的动态规划框架, - 学习 Hawkes 过程中的格兰杰因果关系
本研究提出一种用于 Hawkes 进程的 Granger 因果关系学习的有效方法,可通过基础函数的系数组稀疏性恢复 Granger 因果关系图,同时对事件类型的聚类结构具有灵活性,并在合成数据和实际数据上得到验证。
- 可扩展的兴奋性点过程网络的贝叶斯推断
该论文研究了如何基于一个 mutually-excitatory point process(如 Hawkes process)的可观测活动来发现潜在的网络结构,并提出了基于离散时间的计算有效的随机变分推断算法,最终在胶质钙成像数据上进行了 - Hawkes 过程的二阶统计特征及非参数估计
本文提出了一种使用 Wiener-Hopf 积分方程系统进行 Hawkes 核矩阵的非参数估计的方法,并描述了这个步骤。作者进行了系统的研究,给出了不同维度(1 到 3)Hawkes 过程的数值估算和一个高频交易和地震时空统计的事件数据的应 - 罪案和安全数据中多源聚类的建模与估计
本文探讨了犯罪事件和安全事件数据的聚类机制,通过使用 Hawkes 过程和背景速率为高斯 Cox 进程的滤波算法,对芝加哥的财产犯罪数据、北爱尔兰和以色列的恐怖袭击数据以及伊拉克的平民伤亡数据进行了分析,量化了传染程度与独立历史相关性水平之 - 对话事件序列的自激点过程建模
研究了 Hawkes 过程对生成突发事件序列的基础属性,然后将该模型适用于日本公司办公室中的对话序列数据,估计了个体之间自己兴奋、基础事件率和它的时间衰减的相对大小。同时指出该模型的重要局限性在于无法独立调节事件间隔的相关性和突发性。