Apr, 2013

利用社交媒体反应特征化在线新闻报道的生命周期

PDF
TL;DR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。
life cycleonline newswebsite visitationsocial media reactionspredictive modeling
发现论文，激发创造
  • 量化在线长期研究兴趣

    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

  • 社交媒体中的新闻脉搏：流行度预测

    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

  • 网上新闻：第一印象很重要

    本文调查在线新闻机构在新闻标题设计上使用的可能策略，并在 2014 年连续八个月期间分析了四个主要全球媒体公司产生的 69,907 个标题的内容，我们从标题文本中提取出与情感极性相关的特征，并发现标题的情感极性与新闻的受欢迎程度以及在特定新闻上发布的评论的动态密切相关。

    Mar, 2015

  • 利用社会动态模型预测新闻的受欢迎程度

    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

  • 预测在线内容的受欢迎程度

    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

  • 通过推特情感预测研究的科学研究公众反应

    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

  • 下雨涌现：媒体风暴与新闻生态建模

    通过对于本地和全国在线新闻的合集进行研究，我们开发并应用了一种成对文章相似性模型，从而能够识别媒体风暴的故事群，并在近两年的时间内创建了一个全面的媒体风暴合集。利用这个合集，我们能够以更细粒度的方式研究媒体风暴，验证其演变和话题分布的假设，并为媒体报道和跨媒体议程设置的影响模式提供实证支持。

    Dec, 2023

  • 通过查看言语线索，分析人们在社交媒体上如何定向和传播谣言

    本文的研究对象是社交媒体上流传的谣言，以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据，并应用机器学习算法进行分析，发现了在谣言存在疑问时，人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性，从而避免虚假信息的散播。

    Nov, 2015

  • Digg 的社交动态

    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

  • 使用社交媒体预测未来

    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