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

▶
who will attend this event together event attendance
SMART_READER_LITE
LIVE PREVIEW

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

Feb 13, 2024 471 likes •612 views

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

slide-1
SLIDE 1

Presenter: ¡Xian ¡Wu ¡ Department ¡of ¡Computer ¡Science ¡and ¡Engineering ¡ University ¡of ¡Notre ¡Dame ¡

1 ¡

Who will Attend This Event Together? Event Attendance Prediction via Deep LSTM Networks

slide-2
SLIDE 2

Event based Social network

A ¡snapshot ¡of ¡a ¡event ¡homepage ¡in ¡Meetup.com ¡

Basic ¡informa,on ¡ ¡

Input ¡ Output ¡ User ¡ Event ¡ Group ¡

slide-3
SLIDE 3

Input ¡ Output ¡ Learning ¡a ¡predicAve ¡model ¡ User ¡ Event ¡ Group ¡

Event Attendance Prediction

Given ¡an ¡incoming ¡event, ¡who ¡will ¡aGend ¡this ¡event? ¡ ¡

A ¡snapshot ¡of ¡a ¡event ¡homepage ¡in ¡Meetup.com ¡

Basic ¡informa,on ¡ ¡

slide-4
SLIDE 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 ¡

slide-5
SLIDE 5

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. ¡ ¡

slide-6
SLIDE 6

¡the ¡factors ¡influence ¡an ¡individual's ¡aGendance ¡may ¡change ¡over ¡Ame ¡

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 ¡

  • rder ¡to ¡infer ¡their ¡future ¡a;endance. ¡ ¡

Users’ ¡evolving ¡preference ¡challenge: ¡

It ¡is ¡difficult ¡to ¡model ¡the ¡dynamic ¡nature ¡of ¡individuals' ¡behavior. ¡

Event ¡1 ¡ Event ¡2 ¡ Event ¡3 ¡ Event ¡4 ¡ Event ¡5 ¡ Event ¡6 ¡

Timeline ¡

slide-7
SLIDE 7

Model

¡

  • 1. SequenAal ¡& ¡Exclusive ¡Preferences ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡

  • 2. ¡Contextual ¡Preferences ¡

¡ ¡

Event ¡1 ¡ Event ¡2 ¡ Event ¡3 ¡ Event ¡4 ¡ Event ¡5 ¡

SpaFal ¡Dimension ¡ Temporal ¡Dimension ¡

LaAtude ¡ Longitude ¡ Timestamp ¡ InformaAon ¡

slide-8
SLIDE 8

8 ¡

¡The DEAP Framework

slide-9
SLIDE 9

Evaluation

slide-10
SLIDE 10

10 ¡

Evaluation Results (Accuracy-1/5)

slide-11
SLIDE 11

11 ¡

PredicAon ¡Results ¡on ¡Dec ¡with ¡High-­‑Level ¡Region ¡in ¡NYC ¡

Evaluation Results (Accuracy-2/5)

slide-12
SLIDE 12

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 ¡
  • f ¡our ¡model ¡and ¡show ¡that ¡DEAP ¡outperforms ¡other ¡state-­‑of-­‑the-­‑

art ¡baselines ¡in ¡terms ¡of ¡predicAon ¡accuracy. ¡

slide-13
SLIDE 13

13 ¡

¡

Thank ¡You! ¡

The ¡Interdisciplinary ¡Center ¡for ¡Network ¡Science ¡& ¡ ApplicaAons ¡(iCeNSA) ¡ ¡

hGp://icensa.com/ ¡ nchawla@nd.edu ¡ xwu9@nd.edu ¡