预测在线内容的受欢迎程度
本文研究了在线社交媒体上的用户行为和内容推荐,以新闻聚合平台 Digg 为例,提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响,并预测了用户对内容的兴趣,为网站内容设计提供了参考。
Jan, 2012
本文探讨了预测 YouTube 视频在校园网络中的流行度的方法,提出了一种融合视频到达时间和社交扩散模型的缓存方法,通过学习网络中用户之间分享的概率和使用数学流行病学的病毒传播模型来预测未来视频访问次数,并取得了 14% 的命中率提高。
Aug, 2013
本文旨在通过建立多维特征空间来分析新闻文章的性质,采用回归和分类算法预测其在线受欢迎程度,发现可在 Twitter 上以 84% 的准确率范围内预测其受欢迎度,并突显传统来源与社交网络受欢迎性的差异。
Feb, 2012
通过使用跨越音乐、书籍、照片和 URL 等领域的社交网络数据,我们测试了可以使用先行者和其社交网络属性来预测一个项目的流行度这一观点的鲁棒性,并且发现我们的模型不仅在所有数据集上都可以获得较高的准确性,而且具有很好的泛化能力。
Mar, 2016
该研究利用机器学习模型分析了多个社交媒体平台上文章被在线分享的持续时间,以预测研究文章的长期在线兴趣。研究发现,旧的文章主要与经济和工业相关,而最近发表的文章则最多在研究平台和社交媒体平台方面被提及。
Sep, 2022
本文阐述了如何使用社交媒体内容来预测真实世界的结果,具体来说,作者使用 Twitter 上的内容预测了电影的票房收入,并演示了如何使用从 Twitter 中提取的情感来进一步提高社交媒体的预测能力。
Mar, 2010
本文通过观察新闻文章在社交媒体上的反应来预测其未来的访问量,获得了一种可以帮助描述不同类别文章的方法。同时,在量化和质化分析上,本文验证了这种方法的可行性,并实现了对新闻故事寿命周期的早期预测。
Apr, 2013