Mar, 2014

级联能否被预测？

PDF
TL;DR该研究讨论在社交媒体平台上，用户分享他人的内容可能会通过 resharing 或 reposting 功能形成大规模的 cascade，而未来 cascade 的轨迹本质上是不可预测的，但通过观察其 reshares 数量，结构和时间特征等因素，可以有效预测其继续扩大的概率，同时 initally 时的 breath 水平也是较大 cascade 的较好指标。
social networking web sitesresharing/ reposting functionalitycascade prediction problemstemporal and structural featuresinherent unpredictability
发现论文，激发创造
  • 级联是否具有循环性？

    在 Facebook 上进行大规模分析，发现内容传播的级联不仅仅是单次性事件，而是在很长的时间尺度上反复出现，其中的内容病毒性是导致级联反复出现的主要驱动因素。

    Feb, 2016

  • DeepCas: 一种端到端的信息串联预测器

    研究了一种利用深度学习技术预测信息级联大小的方法，并发现该方法可以显著提高级联预测的性能。

    Nov, 2016

  • 探究复杂社会系统预测的极限

    本研究探讨了在复杂的社会系统中成功的可预测性，提出了两种错误预测的一般来源：数据和 / 或模型的不足，以及社会系统的固有不可预测性。本文以 Twitter 上的信息级联大小预测为例辅以经验研究，结果表明，即使拥有无限的数据，预测性能也会受到很强的限制；预测准确度的限制不仅取决于数据本身，而且可能取决于产品质量的估计误差和产品质量的微小差异等因素。因此，对于更难以获得数据的其他复杂的社会系统，预测准确度的限制可能更低。

    Feb, 2016

  • 级联预测方法比较

    本文旨在比较现有的三种信息传播预测方法 (即基于中心性、基于特征以及基于点过程)，并对它们进行了分类和回归问题的评估。结果表明，基于特征的方法在预测准确性方面优于其他方法，但针对大型数据集的开销较大。而基于点过程的方法也可能遇到长时间运行的问题。该论文为社交网络分析系统的开发者选择最合适的信息传播预测方法提供了参考。

    Jun, 2016

  • 信息级联分析综述：模型，预测和最新进展

    本文综述并分类信息流行度预测方法，包括特征工程、随机过程、图表示和基于深度学习的方法，并总结了现有研究的优缺点以及该领域的挑战和机遇。

    May, 2020

  • SEISMIC: 用于预测推文受欢迎程度的自激点过程模型

    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

  • 从微观到宏观：使用行为动力学揭示和预测信息瀑布过程

    本文提出了一个新的方法来预测社交网络中的瀑布过程，使用行为动力学描述微观机制，提出了一个新的网络威布尔回归模型。本文通过数据驱动分析发现了常见的原则和模式，提出了一个可扩展的解决方案来近似瀑布过程和预测其累计过程。在大规模社交网络数据集上进行广泛评估，结果表明该方法在多项任务中可以显著优于其他最先进的基线模型。

    May, 2015

  • 从信息级联中学习用户特定的潜在影响力和易感性

    以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。

    Oct, 2013

  • 扩散协议是否掌控了级联增长？

    针对 Facebook 上 98 个最大信息流推广进行的研究，探索信息扩散协议对于流行度的影响，发现具有不同信息扩散协议的信息流推广有不同的特征，影响了信息流的传播速度和申请率。

    May, 2018

  • 基于偏好增强的社交影响建模用于网络感知级联预测

    该论文提出了一种新的框架来提高级联大小预测的准确性，通过三个阶段改进了用户偏好模型，即偏好主题生成，偏好转移建模和社会影响激活。实验表明相比现有模型，该模型更加准确和有效。

    Apr, 2022