本文提出了一种基于时变 Hawkes 过程的推文转发时间预测模型,该模型充分考虑了用户的昼夜节律和信息的老化,通过参数优化可以在不同的时间分辨率上预测转发活动的未来发展,验证表明该方法在所有时间段内都优于现有方法。
Mar, 2016
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
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
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
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
本篇论文关注于利用自激励点过程来预测给定信息发布帖子的最终转发次数。我们的模型不需要训练或者昂贵的特征工程,能够实时回答关于信息传播历史以及未来传播的问题,并且在一月的 Twitter 数据集上展现了较强的预测精度。
Jun, 2015
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。