who will attend this event together event attendance
play

Who will Attend This Event Together? Event Attendance Prediction via - PowerPoint PPT Presentation

Who will Attend This Event Together? Event Attendance Prediction via Deep LSTM Networks Presenter: Xian Wu Department of Computer Science and Engineering University of Notre Dame 1


  1. Who will Attend This Event Together? Event Attendance Prediction via Deep LSTM Networks Presenter: ¡Xian ¡Wu ¡ Department ¡of ¡Computer ¡Science ¡and ¡Engineering ¡ University ¡of ¡Notre ¡Dame ¡ 1 ¡

  2. Event based Social network Group ¡ Event ¡ User ¡ Basic ¡informa,on ¡ ¡ Input ¡ Output ¡ A ¡snapshot ¡of ¡a ¡event ¡homepage ¡in ¡Meetup.com ¡

  3. Event Attendance Prediction Given ¡an ¡incoming ¡event, ¡who ¡will ¡aGend ¡this ¡event? ¡ ¡ Event ¡ Group ¡ User ¡ Basic ¡informa,on ¡ ¡ Input ¡ Output ¡ A ¡snapshot ¡of ¡a ¡event ¡homepage ¡in ¡Meetup.com ¡ Learning ¡a ¡predicAve ¡model ¡

  4. Event Attendance Prediction Previous ¡work: ¡ sta/c ¡scenario— ¡the ¡assumpAon ¡of ¡users’ ¡staAc ¡ preference ¡ ¡ Real-­‑word: ¡ dynamic ¡scenario ¡— ¡users’ ¡event ¡preferences ¡evolve ¡over ¡ Ame ¡

  5. Event Attendance Prediction Challenges: ¡ 1. ¡Events ¡in ¡EBSNs ¡are ¡typically ¡short-­‑lived ¡ ¡ 2. ¡The ¡underlying ¡factors ¡may ¡change ¡over ¡Ame ¡ ¡ 3. ¡Users' ¡event ¡aGendance ¡behaviors ¡are ¡closely ¡related ¡to ¡the ¡ contextual ¡informaAon ¡of ¡events ¡ ¡ 4. ¡The ¡connecAons ¡between ¡event ¡aGendance ¡can ¡be ¡arbitrary ¡since ¡ any ¡pair ¡of ¡events ¡could ¡potenAally ¡be ¡related ¡for ¡various ¡reasons. ¡ ¡ 5 ¡

  6. Challenges Event ¡cold ¡start ¡challenge: ¡ Events ¡in ¡EBSNs ¡are ¡typically ¡ short-­‑lived ¡ and ¡are ¡always ¡in ¡ future . ¡ ¡ It ¡is ¡challenging ¡to ¡explore ¡the ¡trace ¡of ¡events’ ¡historical ¡a;endance, ¡in ¡ order ¡to ¡infer ¡their ¡future ¡a;endance. ¡ ¡ Timeline ¡ Event ¡1 ¡ Event ¡2 ¡ Event ¡3 ¡ Event ¡4 ¡ Event ¡5 ¡ Event ¡6 ¡ Users’ ¡evolving ¡preference ¡challenge: ¡ ¡the ¡factors ¡influence ¡an ¡individual's ¡aGendance ¡may ¡change ¡over ¡Ame ¡ It ¡is ¡difficult ¡to ¡model ¡ the ¡dynamic ¡nature ¡of ¡individuals' ¡behavior . ¡

  7. Model ¡ 1. SequenAal ¡& ¡Exclusive ¡Preferences ¡ ¡ ¡ ¡ ¡ Event ¡3 ¡ Event ¡4 ¡ Event ¡5 ¡ Event ¡1 ¡ Event ¡2 ¡ ¡ ¡ ¡ ¡ ¡ 2. ¡Contextual ¡Preferences ¡ SpaFal ¡Dimension ¡ ¡ Temporal ¡Dimension ¡ ¡ LaAtude ¡ Timestamp ¡ Longitude ¡ InformaAon ¡

  8. ¡ The DEAP Framework 8 ¡

  9. Evaluation

  10. Evaluation Results (Accuracy-1/5) 10 ¡

  11. Evaluation Results (Accuracy-2/5) PredicAon ¡Results ¡on ¡Dec ¡with ¡High-­‑Level ¡Region ¡in ¡NYC ¡ 11 ¡

  12. Conclusion -­‑-­‑-­‑-­‑ ¡ ¡We ¡propose ¡to ¡predict ¡event ¡aGendance ¡of ¡each ¡user ¡in ¡a ¡ dynamic ¡scenario, ¡where ¡user ¡preferences ¡evolve ¡over ¡Ame. ¡To ¡ address ¡this ¡task, ¡we ¡develop ¡a ¡DEAP ¡framework ¡which ¡explicitly ¡ models ¡evolving ¡preferences ¡of ¡users ¡from ¡mulA-­‑dimensions. ¡ ¡ -­‑-­‑-­‑-­‑ ¡ We ¡ evaluate ¡ our ¡ new ¡ soluAon ¡ on ¡ three ¡ real-­‑world ¡ Meetup ¡ datasets. ¡The ¡experimental ¡results ¡demonstrate ¡the ¡effecAveness ¡ of ¡our ¡model ¡and ¡show ¡that ¡DEAP ¡outperforms ¡other ¡state-­‑of-­‑the-­‑ art ¡baselines ¡in ¡terms ¡of ¡predicAon ¡accuracy. ¡ 12 ¡

  13. ¡ Thank ¡You! ¡ The ¡Interdisciplinary ¡Center ¡for ¡Network ¡Science ¡& ¡ ApplicaAons ¡(iCeNSA) ¡ ¡ hGp://icensa.com/ ¡ nchawla@nd.edu ¡ xwu9@nd.edu ¡ 13 ¡

Recommend


More recommend