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
通过考虑 Twitter 上的用户参与和反应，使用社交媒体数据为基础，提出一种新的模型来预测新闻文章的流行度，在选取的 300 篇政治新闻文章中，该方法优于其他基线模型。
Jan, 2019
本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。
Jul, 2016
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
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
本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。
Apr, 2013
本文提出将句子级别的普及度预测作为序列回归任务，通过使用自然语言内容在在线新闻文档中预测句子的流行度，并提出一种基于 BERT 的神经模型和辅助任务中的句子重要性预测的转移学习方法。使用生成的一组句子级别的流行度注释，建立第一个可自动创建的数据集 InfoPop。研究表明，从句子重要性的预测中进行转移学习可以加强句子流行度的预测。
Dec, 2022
本文介绍了一个 4 个月的项目，利用机器学习和深度学习技术自动识别推文受欢迎程度演化的模式。通过一个点到点距离的聚类算法来了解数据和问题的范围，再使用特征提取等技术分析以改进算法。虽然算法最终无法自动化此任务，但本次尝试提出了有关病毒式传播对社交网络的影响的复杂但必要的问题。
Jan, 2023
本研究旨在预测推特用户在社交媒体上对科学出版物的情感表达，并研究有哪些研究文章特征有助于这种预测。通过识别社交媒体上的研究文章情感，科学家可以评估其研究文章的新的社会影响。
Sep, 2022
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。