本研究探讨了社交网络在 Digg 上推广内容方面的作用,并发现了在 Digg 上的新闻散布方式会影响新闻的流行程度。
Jun, 2008
预测社交媒体中受欢迎的内容具有挑战性,但是我们利用用户早期反应构建的随机模型可以预测受欢迎的程度,并结合网站设计方面的因素,提高了预测的准确性。
Apr, 2010
本文介绍了一种基于随机过程的建模方法来研究用户贡献型网站,特别是在网站设计中信息展示的选择方面,这种方法提供了一种可操作的方法来理解用户的活动以及如何建模网站上的用户活动,我们以新闻评分网站 Digg 为例介绍了这种建模方法。
Mar, 2009
通过对 Youtube 和 Digg 传播的内容进行考虑,本研究提出了一种从初步用户访问数据中准确预测在线内容长期受欢迎程度的方法。
Nov, 2008
该研究提出了基于动态图注意力神经网络的在线社区推荐系统,能够模拟用户动态行为,并根据用户当前兴趣动态推断影响因素,经实验验证,其效果优于现有的各种方法。
Feb, 2019
通过分析两个社交新闻站点的数据,研究表明社交网络在信息传播中发挥关键作用,网络结构影响信息流动的动力学。
Mar, 2010
本文提出了 SLANT,一种基于标记的跳跃扩散随机微分方程的概率建模框架,用于表示用户随时间变化的意见,可以从历史细粒度事件数据中进行有效的模型模拟和参数估计,并利用该框架得出了一组有效的预测公式,实验结果表明,该模型提供了良好的拟合,并且比其他方法实现了更准确的预测。
Jun, 2015
本文旨在探究文章在线受欢迎程度与其内在质量的关系,提出了一种基于泊松回归模型的质量估计方法,并通过 Reddit 和 Hacker News 平台的数据验证了该方法的有效性。结果表明,这种方法能够有效消除社交媒体的偏见,从而发现文章的受欢迎程度更加反应其真正的内在质量。
Jan, 2015
该研究聚焦于 Reddit 上的在线讨论,通过对不同社区的评论进行大量情感、相关性和内容分析,揭示了不同社区内高得分帖子的特征,进而探究社区话题的特异性、受众与管理水平对社区讨论的影响。
May, 2017
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