We propose the graph recurrent temporal point process (GRTPP), a deep learning model that can estimate simultaneously the probabilities of occurrence for multiple events in continuous time. GRTPP represents the history of multiple events with their event occurring times into a sequence of graphs and embeds the sequence of graphs into node embeddings for each event. Using the node embedding for each event type, GRTPP then estimates the conditional intensity function for the corresponding event by using a neural network. By approximately integrating the estimated intensity functions, GRTPP computes the likelihood of events used to train the model and predicts the next of event. We have verified that GRTPP learns more flexible representation with relational information among events and produces more accurate predictions than state-of-art neural point process models.
시간, 사건의 종류로 이루어진 시계열 형태의 사건 데이터의 시간적 패턴을 잡아내는 것은 상당히 중요하다. 하지만 사건의 발생의 패턴은 패턴의 구성이 복잡하며, 또한 예측의 불확실성이 높다. 시간적 점 과정은 추계적인 특성을 이용하여 복잡성과 불확실성을 동시에 모델링 할 수 있는, 사건데이터 모델링을 위한 패러다임이다. 본 연구에서는 다변수의 시간적 점과정 중에서, 사건 간의 관계가 복잡하고 이에 대한 사전적인 그래프 정보를 얻을 수 있을 때, 구조적 관계를 반영할 수 있는 딥러닝 기반 시간적 점 과정을 제시한다. 그래프 신경망을 통해 과거 이벤트 역사에 대한 표현을 학습함으로서, 모델 표현력에 있어 더 높은 유동성을 지니게 되고 시간과 공간적인 모든 방면에서 더 정확한 예측력을 얻어냈다
