AAAIMar, 2014

利用网络和社区结构预测成功的模因

PDF
TL;DR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。
predictabilitymemessocial networksearly spreading patternscommunity structure
发现论文，激发创造
  • 社交网络中的病毒传播预测与社区结构

    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

  • 社交媒体中的 Memes 聚类

    本研究提出了一种基于聚类的框架来检测社交数据流中的谣言，评估了基于内容、元数据、网络特征和它们的组合的各种相似度度量，并探索了预聚类的想法。系统评估表明，预聚类和异质特征的组合产生了最佳的聚类数量和质量的平衡，证明了一种简单的基于相似性的组合方式与参数优化同样有效。我们的方法是全自动、无监督的，并可实现流数据的实时检测。

    Oct, 2013

  • 流行性的可预测性：预测与理解之间的差距

    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

  • 通过边缘网络社群来解析梗的起源

    本研究使用感知哈希和聚类分析技术，并以 13 个月内从 Twitter、Reddit、4chan 和 Gab 收集的 26 亿帖子和 1.6 亿张图像的数据集为基础，检测和量化了多个网络社区间的互动传播效果，揭示了网络社区间恶意并极具争议的热门、多样的互联网模因，展示了如何使用霍克斯过程来模拟网络社区之间的相互影响。

    May, 2018

  • 通过社区感知特征预测节点属性

    提出一种基于社区结构的节点特征家族，探索它们的性质，并证实它们在分类任务中具有高预测能力，包含了无法由经典节点特征或节点嵌入（无论是经典还是结构化）恢复的信息。

    Nov, 2023

  • 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

  • 微博网络中的热度预测：以新浪微博为例的案例研究

    本文研究了微博中早期接受者的结构特征对内容受欢迎程度的影响，发现提高内容的结构多样性可以显著改善现有方法的准确性。

    Apr, 2013

  • 剖析 Meme 魔法：理解图片 Meme 中病毒性的指标

    探讨图片模因产生社交媒体传播热度的视觉元素，根据艺术、心理、营销和神经科学研究，开发了特征码书以注释一组从 4chan 收集的 100 个图像模因，训练机器学习模型以区分可能会病毒性传播的图片模因，结果显示我们的模型可以帮助确定最受欢迎的模因。

    Jan, 2021

  • 通过结合社交与金融网络信息预测未来股市结构

    本篇研究提出了一种基于复合网络方法，结合社交媒体和金融数据的前瞻性的市场相关性预测模型，比当前基于静态金融相关性的模型预测准确率提高了 40%，同时发现社交媒体信息能够在长期预测中得到更好的应用。

    Nov, 2018

  • 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