从零学：Hawkes Process（2）-霍克斯过程

最新推荐文章于 2024-07-19 16:50:04 发布

qiaoxinyu10623

最新推荐文章于 2024-07-19 16:50:04 发布

阅读量393

点赞数 6

文章标签：深度学习

本文链接：https://blog.csdn.net/qiaoxinyu1989/article/details/140542838

版权

声明：本文章是根据网上资料，加上自己整理和理解而成，仅为记录自己学习的点点滴滴。可能有错误，欢迎大家指正。

一、霍克斯过程（Hawkes Process）

霍克斯过程（Hawkes process）是一种自激励过程（self-exciting process），得名于1971年提出此概念的Hawkes教授。霍克斯过程中，一个事件的发生会增加接下来事件发生的概率。这种特性使得霍克斯过程特别适合于描述那些具有“链式反应”或“触发效应”的事件序列。例如：在线购物。如果某件商品突然受到大量关注或好评（事件），可能会吸引更多消费者购买该商品（后续事件）。而且，消费者之间的推荐和分享也会进一步推动购买行为。

它的主要思想：历史上发生的事件对未来事件的发生具有激励作用，即存在正向的相互影响。并假定历史事件对未来的影响被认为是单调指数递减的，然后以累加的形势叠加的。

二、Hawkes Process的数学表达式

Hawkes Process（霍克斯过程）是一种点过程，用于对事件随时间发生的情况进行统计建模，它能够捕捉事件之间的自我激发和聚集现象。

其基本数学表达式为： $\lambda (t)=\mu +\sum_{i}^{t_{i}<t}\omega (t-t_{i})$

其中：

$\lambda (t)$ 表示霍克斯过程在时间 $t$ 的“强度”（intensity）或“发生率”（rate），即在给定到该点之前发生的所有过去事件的情况下，在时间 $t$ 附近的一个小时间间隔内发生事件的期望值；
$\mu$ 是霍克斯过程的“背景发生率”（background rate），即在没有任何触发或级联效应的情况下事件发生的 rate，表示事件在不受其他因素影响时本身具有的一定发生概率；
$\omega$ 是一个“触发核函数”（triggering kernel），又称记忆核。它描述了过去的事件如何影响未来的事件，是一个取决于每个过去事件发生时间的函数，用于衡量每个过去事件对当前给定任意时间的影响强度（对当前事件发生强度的影响）。

核函数有多种表达方式，通常假设为指数形式。常见的一种形式为： $\omega (t-t_{i})=\alpha e^{-\beta(t-t_{i}) }$ ，其中 $\alpha$ 表示触发效果的强度大小，即每条过去的消息会增加未来消息的强度； $\beta$ 是一个“衰减率”（decay rate），它决定了过去消息的影响随时间衰减的速度，即过去事件对未来事件的影响会随着时间减弱。 $t_{i}<t$ 表示所有在当前时间 $t$ 之前发生事件的时间。

例如：假设某电商平台在一段时间内的购买事件数据可以用霍克斯过程来建模。 $\lambda (t)$ 表示在时间 $t$ 的购买事件发生率（intensity）。μ 是购买事件的背景发生率，即没有任何触发或级联效应时顾客购买的自然概率。先设定在没有任何触发或级联效应时，平均每小时有 5 次购买发生，即背景发生率 $\mu=5$ 。假设上午 10：00 有一次购买事件发生，计算在10：30购买事件发生率λ(t)受到这个事件的影响。我们使用常见的记忆核函数 $\omega (t-t_{i})=\alpha e^{-\beta(t-t_{i}) }$ ，并取每次购买事件对后续购买的影响强度 $\alpha=2$ ；衰减率 $\beta=0.5$ ，则对于上午 10：30（t = 10.5）的λ(t)计算如下：

$\lambda (10.5)=5 +\sum_{i}2\times e^{-2\times (10.5-10)}\approx 6.84$

这意味着在上午 10：30 时，由于 10：00 的购买事件影响，此时的购买事件发生率从原本的每小时 5 次增加到了约每小时 6.84 次。