利用 RecSys 挑战数据集和评估程序，研究了仅利用上下文是否能够预测推文互动概率，并发现用户的先前互动历史、标签和链接的热度等特征对预测最具信息量。然而，相较于只基于内容的模型和挑战胜利者开发的模型，这些基于上下文的模型在 RCE 得分方面表现出较低。因此，提出了改进实现的潜在改进方法。

Sep, 2023

本文提出了一个基于图神经网络的解决方案，TweetGage，用于预测社交媒体上发布的帖子在用户参与度方面的影响，并通过一系列实验对其效果进行了验证。

May, 2023

该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

Jun, 2019

该论文介绍了一个利用 Twitter 用户聚合的方法来构建社区级别模型，可以有效的准确预测人口相关，包括人口统计、健康和心理预测等四个不同领域的结果（例如，可以将用于预测收入中位数的皮尔逊相关系数从 0.73 提升到 0.82）。

Aug, 2018

本文提出了 CLUE 模型，采用多模态特征学习从在线教学视频中提取特征，并提供可解释反馈和用户参与度得分。

Jan, 2022

本论文介绍了一个基于强化学习的 FeedRec 框架来优化长期用户参与度，该框架包括 Hierarchical LSTM 的 Q-Network 和用于模拟环境、辅助 Q-Network 并避免策略学习收敛不稳定的 S-Network，实验结果表明 FeedRec 能够有效地优化长期用户参与度，并且优于现有的技术水平。

Feb, 2019

本文探索了建立教育领域中基于人口特征 (即与个体学习背景无关) 的参与度的预测模型，并提出了跨模态和模态特定特征集来实现这一任务。通过量化学习者参与度信号并进行灵敏度分析，最终表明该模型具有良好的性能，并可以轻松地集成到开放教育资源的推荐系统中。

May, 2020

本研究采用神经网络模型对用户评论进行了分析，跟踪评论获得的赞和回复，并基于这些信息区分出具有高或低赞回复概率的评论。研究表明，有助于激发用户互动的评论特征可以按照一定的分类学进行整理，神经网络在分析这种回归问题时表现出最好的性能。

Mar, 2020

利用社交媒体转发活动数据增强事件参与者预测模型的学习，在两种真实环境下对训练数据以及热启动和冷启动测试情景进行综合实验，评估结果表明我们的方法在几个基准模型中始终表现优异，尤其在限定目标领域数据时。

Oct, 2023

考虑到学习者参与可以对学习者和教师带来共同的利益，本文提出了一个通用的轻量级模型，以选择和处理特征来检测学习者的参与度，同时保留随时间变化的顺序时序关系。通过分析公开可用的 DAiSEE 数据集中的视频，该模型能够捕捉学习者参与度的动态本质。此外，本文提出了一个适应策略，以通过利用与教育相关的数据集的情感状态来找到新的标签，从而提高模型的判断能力。该模型在特定实现中取得了 68.57％的准确率，并且优于研究中研究了的用于检测学习者参与度水平的最先进模型。

May, 2024