Hawkes Processes

Time-Sensitive Recommendation From Recurrent User Activities (http://papers.nips.cc/paper/5979-time-sensitive-recommendation-from-recurrent-user-activities.pdf) NIPS'15

Первая статья про это, которую нашел. Неплохо пишут и делают похожие с нами вещи. Но дальше начинаются какие-то изощрения с оптимизацией, в них не вдавался пока. Вообще у этих парней много публикаций на эту тему.

Neural Survival Recommender (https://dl.acm.org/citation.cfm?id=3018719, sci-hub.se/10.1145/3018661.3018719) WSDM'17

LSTM применяют для этой задачи, нам не очень важно это. Для обзора надо будет глянуть пару статей про сети (дальше будут еще), но не увлекаясь

Just in Time Recommendations: Modeling the Dynamics of Boredom in Activity Streams (https://dl.acm.org/citation.cfm?id=2685306, sci-hub.se/10.1145/2684822.2685306) WSDM'15

На Hidden Semi-Markov Model, поэтому иначе там все

Beyond Clicks: Dwell Time for Personalization (http://www.hongliangjie.com/publications/recsys2014.pdf) RecSys'14

Вроде без сильной математики поприменяли для всякого, не очень интересно с точки зрения модели

Learning Social Infectivity in Sparse Low-rank Networks Using Multi-dimensional Hawkes Processes (http://proceedings.mlr.press/v31/zhou13a.pdf) AISTATS'13

Статья тех же парней из Джорджии, но постарше

Multi-Task Multi-Dimensional Hawkes Processes for Modeling Event Sequences (https://www.ijcai.org/Proceedings/15/Papers/518.pdf) IJCAI'15

С теми парнями работа, тоже о том, в тонкостях не разбирался

Multivariate Hawkes Processes for Large-scale Inference (https://arxiv.org/pdf/1602.08418.pdf) AAAI'17

Тут о том, что надо, но они как-то немного иначе делают, у них куча матриц. Кажется, будто они матрицами заменили экспоненту или что-то такое, потому что в остальном все также. Но видимо в этом и идея, надо бы почитать подробнее

Online Learning for Multivariate Hawkes Processes (http://papers.nips.cc/paper/7079-online-learning-for-multivariate-hawkes-processes.pdf) NIPS'17

Вроде о том. Ниже есть расширенная версия этого же. Достаточно новая, меньше года прошло

Recurrent Marked Temporal Point Processes: Embedding Event History to Vector (https://www.kdd.org/kdd2016/papers/files/rpp1081-duA.pdf) KDD'16

Статья от тех парней из Джорджии. Наверное стоит узнать, какие они смогли развить свою идею и проследить за публикациями

Yahoo! Music Recommendations: Modeling Music Ratings with Temporal Dynamics and Item Taxonomy (http://www.noamko.org/papers/DKK11.pdf) RecSys'11d

Не смотрел

Nonparametric Hawkes Processes: Online Estimation and Generalization Bounds (https://arxiv.org/pdf/1801.08273.pdf) NIPS'17

Все о том же (она еще и огромная) См. Online Learning for Multivariate Hawkes Processes, потому что это её расширенная вершсия

Consistency and Computation of Regularized MLEs for Multivariate Hawkes Processes (https://arxiv.org/pdf/1810.02955.pdf)

Кажется, о другом, но очень новая, можно по ссылкам походить мб

Spectra of Some Self-Exciting and Mutually Exciting Point Processes (https://www.researchgate.net/publication/271686371_Spectra_of_Some_Self-Exciting_and_Mutually_Exciting_Point_Processes, sci-hub.se/10.2307/2334319)

Статья 1971 года, где были описаны процессы такие. Не читал

Learning Triggering Kernels for Multi-dimensional Hawkes Processes (http://proceedings.mlr.press/v28/zhou13.pdf) ICML'13

Те же ребята, но чет сложно

Тула для работы с процессами https://github.com/HongtengXu/Hawkes-Process-Toolkit от тех парней

Есть какие-то ссылки, некоторые посмотрел, вроде ничего нового

А тут на PyTorch репа для работы с процессами от того же парня https://github.com/HongtengXu/PoPPy, это уже может быть интереснее

Датасет, который используют

MemeTracker http://snap.stanford.edu/memetracker/ Ну и last.fm

Какая-то математика про hawkes processes (https://arxiv.org/pdf/1707.04928.pdf)

Но чет очень много, пусть просто так тут полежит

Recommendation for Repeat Consumption from User Implicit Feedback (http://sci-hub.se/https://ieeexplore.ieee.org/abstract/document/7518642)

Рекомендации делают, не через hawkes, но похожие идеи про эмбеддинги есть

Returning is Believing: Optimizing Long-term User Engagement in Recommender Systems (https://dl.acm.org/citation.cfm?id=3133025)

Не о том, но пусть будет, так как название вроде правильное и достаточно новое (CIKM'17)

Modeling Interdependent and Periodic Real-World Action Sequences (https://dl.acm.org/citation.cfm?doid=3178876.3186161) WWW'18

Не читал особо, но они предсказывают события другого рода (движения человека типа поел, помахал руками), поэтому кажется у них немного другие предположения о распределениях и о модели. А так прикольно. Хотя вообще похожее делают с точки зрения постановки задачи.

A Recurrent Neural Network Survival Model: Predicting Web User Return Time (https://arxiv.org/pdf/1807.04098.pdf)

Предсказание на нейронках, для обзора может прегодится, а так не читал. Новая, но с неизвестной мне конфы

Isotonic Hawkes Processes (http://proceedings.mlr.press/v48/wangg16.pdf)

От тех же парней 2016 года. Не очень в тему, но вдруг надо. Там просто нелинейную функцию рассматривают для вычисления лямбды.

The Neural Hawkes Process: A Neurally Self-Modulating Multivariate Point Process (http://papers.nips.cc/paper/7252-the-neural-hawkes-process-a-neurally-self-modulating-multivariate-point-process.pdf) NIPS'17

На LSTM делают это. Без тех парней, но, кажется, с их помощью

Coevolutionary Latent Feature Processes for Continuous-Time User-Item Interactions (http://papers.nips.cc/paper/6480-coevolutionary-latent-feature-processes-for-continuous-time-user-item-interactions.pdf)

Те парни, но кажется о другом. NIPS'

Predicting User Activity Level In Point Processes With Mass Transport Equation (http://papers.nips.cc/paper/6762-predicting-user-activity-level-in-point-processes-with-mass-transport-equation.pdf)

Те парни о чем-то непонятном

Local Low-Rank Hawkes Processes for Temporal User-Item Interactions (https://jshang2.github.io/pubs/local-low-rank.pdf)

Похоже на ту статью парней из Джорджии, но от других чуваков

On Lewis’ Simulation Method for Point Processes (https://pdfs.semanticscholar.org/9fb1/0a3c2dcec939784ce208e0e7e7fda4be895c.pdf)

Ogata's thinning algorithm. Его используют для генерации синтетики.

07.12

SEISMIC: A Self-Exciting Point Process Model for Predicting Tweet Popularity (https://arxiv.org/pdf/1506.02594.pdf)

KDD'15, похожий подход к моделированию популярности твита, 209 цитирований

Learning Granger Causality for Hawkes Processes(http://proceedings.mlr.press/v48/xuc16.pdf)

Те парни на ICML'16, но что-то другое как-будто

Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity(https://dl.acm.org/citation.cfm?id=3052650, sci-hub.se/10.1145/3038912.3052650)

WWW'17, хоть они и делают немного не то, подход похожий и звучит интересно Как и многие, они сами себе выбирают, что считать в качестве взаимодействия юзера и проекта, но у них акцент не на этом, а на том, для чего применяют

Feature Driven and Point Process Approaches for Popularity Prediction(https://dl.acm.org/citation.cfm?id=2983812)

CIKM'16 Дальше абстракта не ушел, но там тоже предсказывают популярность с помощбю этих процессов

Exploring Limits to Prediction in Complex Social Systems(https://dl.acm.org/citation.cfm?id=2883001)

WWW'16 в продолжение предыдущим исследуют ограничения предсказания популярности в твиттере. на сколько лезут в процессы Хоукса не знаю

ПРИМЕНЕНИЕ ПРОЦЕССОВ ХОУКСА ДЛЯ ПРОГНОЗИРОВАНИЯ ФИНАНСОВЫХ РИСКОВ (https://wp.hse.ru/data/2017/11/15/1161282379/WP7_2017_02_for_print.pdf)

Внезапно раота из ВШЭ, там она побольше и можно что-то почитать про математику, но не сильно, о предположениях они конечно не пишут. Зато по завтросу "процессы Хоукса" выдача гугла завалена статьями на финансковых сайтах типа "Ученые из ВШЭ изобрели новый метод ..."

Learning Hawkes Processes from Short Doubly-Censored Event Sequences(https://arxiv.org/pdf/1702.07013.pdf)

Статья тех парней 2017 года про цензурирование с двух сторон

07.01

Learning Temporal Point Processes via Reinforcement Learning (http://papers.nips.cc/paper/8276-learning-temporal-point-processes-via-reinforcement-learning.pdf) NIPS'18

Не совсем про то, пусть просто лежит

TIME-DEPENDENT REPRESENTATION FOR NEURAL EVENT SEQUENCE PREDICTION (https://arxiv.org/pdf/1708.00065.pdf) ICLR'18

Все прикольно, но предсказания следующего прихода нет (а нам надо бы) и не очень убедительные эксперименты (точнее не такой сильный прорыв)

Coevolutionary Latent Feature Processes for Continuous-Time User-Item Interactions(https://papers.nips.cc/paper/6480-coevolutionary-latent-feature-processes-for-continuous-time-user-item-interactions.pdf) NIPS'16

Усовершенствование статьи, на которую мы опираемся, причем весьма существенное

Плюсовая либа для их процессов

Довольна старая. Подробнее в диссере https://smartech.gatech.edu/bitstream/handle/1853/55568/DU-DISSERTATION-2016.pdf) https://github.com/dunan/MultiVariatePointProcess есть реализация базовой статьи (https://github.com/dunan/MultiVariatePointProcess/blob/master/example/learning_lowrank_hawkes.cc)

Wasserstein Learning of Deep Generative Point Process Models(https://arxiv.org/pdf/1705.08051.pdf)

Менее понятно и скорее с нейронками, где все немного не так

COEVOLVE: A Joint Point Process Model for Information Diffusion and Network Co-evolution (https://papers.nips.cc/paper/5754-coevolve-a-joint-point-process-model-for-information-diffusion-and-network-co-evolution.pdf) NIPS'15

Первая статья про Coevolve, идея та же, но не читал Есть репа с реализацией https://github.com/Networks-Learning/Coevolution

Predicting User Activity Level In Point Processes With Mass Transport Equation (http://papers.nips.cc/paper/6762-predicting-user-activity-level-in-point-processes-with-mass-transport-equation.pdf) NIPS'17

Не вчитывался, но все о том же

Deep Reinforcement Learning of Marked Temporal Point Processes (https://arxiv.org/pdf/1805.09360.pdf) NIPS'18

Наверное не совсем о том, но пусть будет + есть код https://github.com/Networks-Learning/tpprl

Deep Coevolutionary Network: Embedding User and Item Features for Recommendation (https://arxiv.org/pdf/1609.03675.pdf) KDD'17

Как про Coevolution'16, только засунули нейронки и снова всех уделали, причем очень хорошо Опираться наверное на неё надо.

Know-Evolve: Deep Temporal Reasoning for Dynamic Knowledge Graphs (https://arxiv.org/pdf/1705.05742.pdf) ICML'17

Не читал особо, но тут кажется некоторое обобщение всего этого на динамические графы Есть реализация https://github.com/rstriv/Know-Evolve

Linking Micro Event History to Macro Prediction in Point Process Models (http://proceedings.mlr.press/v54/wang17f/wang17f.pdf)

Не читал, кажется, менее релевантно, но не уверен

Joint Modeling of Event Sequence and Time Series with Attentional Twin Recurrent Neural Networks (https://arxiv.org/pdf/1703.08524.pdf) 2017

Не читал, но вроде о том

Fake News Mitigation via Point Process Based Intervention (https://arxiv.org/pdf/1703.07823.pdf) ICML'17

Не совсем о том