探索社交网络中文本的传播性
研究了信息传播的网络结构如何影响内容的扩散,发现内容是否属于复杂型病毒会影响其在高度聚集的社区内的传播,同时影响跨社区的传播。提出一种能预测内容将被传播多远的实用方法,通过社区结构的数据转化出预测知识,进而在社交媒体分析和营销应用等方面有显著进展。
Jun, 2013
通过对推特社交媒体上的三个语料库的量化分析,本文发现,情感和信息内容对推文的传播具有显著的影响,尤其是对于新闻类话题,负面情绪会增强传播效果。
Jan, 2011
在此论文中,作者证明了旨在量化信息消费模式的指标可能提供有关虚假声明传播的重要见解,通过分析意大利 Facebook 用户消费不同类型(科学和阴谋新闻)的信息,表明用户在不同内容上的参与度与具有类似消费模式的朋友数量成正相关,然后在 7109 份有意识的讽刺虚假声明的外部样本中测试扩散模式,发现在错误信息很普遍的环境中,围绕共有信念的用户聚合可能成为虚假信息的传播方式。
Nov, 2014
本文从计算机视觉的角度研究了社交网络上在线内容的传播现象,引入来自 Reddit 的三个图像数据集,定义了传播度量,并使用最先进的图像特征训练分类器来预测图像的传播度,相对传播度和主题,通过相对属性识别了与传播度相关的 5 个主要视觉属性,在此基础上,创建了一个基于属性的图像特征描述模型,可以以 68.10% 的准确率(SVM + 深度相对属性)预测图像的相对传播度,高于 60.12% 的人类预测效果。最后,我们研究了在不同的上下文中,如相邻图像、最近查看的图像以及图像标题或说明文本的影响下,人类对图像传播度的预测如何变化。
Mar, 2015
本文分析了一个由 400 万人构成的人际推荐网络,观察了推荐的传播和级联大小,并解释了简单随机模型。它还分析了由推荐网络定义的用户社区内用户行为的变化。虽然推荐的平均效果不是很好,但我们提出了一种可以成功识别对于病毒式营销非常有效的社区、产品和定价类别的模型。
Sep, 2005
通过社交网络中推广模式的早期传播模式,研究成功的梗可预测性。我们提出和分析了一套全面的特征,并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组:早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现,基于社区结构的特征是未来成功的最强预测因素。我们还发现,梗的早期流行度不是其未来流行度的好预测因素,与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。
Mar, 2014
本文提出了一种名为 ViralBERT 的模型,使用基于内容和用户的特征来预测推特的传播性。通过使用两个 BERT 模块来对文本进行语义表示和情感分析,本研究收集 330k 条推特数据对 ViralBERT 进行训练,并证明了其超过了当前领域中的基准方法,通过删减研究证实了文本情感和关注者数量是该模型的强特征。
May, 2022
本文研究了在线社交网络上对帖子的互动反应,发现在帖子中加入图像等可视化元素后,其视觉特征会对帖子的病毒性产生不同的影响,同时提出了与其相关的几种假设和解释及其动态特征。
Sep, 2013