社交网络发布时间选择

KDDJun, 2015

When-To-Post on Social Networks

Nemanja Spasojevic, Zhisheng Li, Adithya Rao, Prantik Bhattacharyya

TL;DR本文研究了如何在社交网络上制定个性化的发布时间，通过多种方法确定最佳的发布时间，通过验证认为，采用建议的发布时间提高了用户在 Facebook 上的反应收益高达 17％，在 Twitter 上高达 4％，并被用于生产系统中。

Abstract

For many users on social networks, one of the goals when broadcasting content is to reach a large audience. The probability of receiving reactions to a message differs for each user and depends on various factors, such as location, daily and weekly behavior patterns and the visibility

social networks personalized posting times user behavior reaction gain production system

发现论文，激发创造

智能广播：想要被看见吗？

本文提出了一种基于时间点过程的智能广播框架，以提高其在关注者互动信息中的可视性，并通过凸优化设计广播策略，实现达到指定可视性水平的目的。实验结果表明，相较于其他方法，该方法可以更加有效地提高广播的可视性。

May, 2016

RedQueen: 社交网络智能广播的在线算法

本研究基于 jump stochastic differential equations 算法提出了一个名为 RedQueen 的在线算法，通过控制用户在社交网络上发布帖子的时间，使之能够一直停留在他们关注者的动态列表的顶部，实现用户帖子的更好可见性。该算法通过追踪用户最新帖子的位置计算最优的广播强度，并应用于 Twitter 的真实和合成数据集中，表现出了显著的性能优势。

Oct, 2016

纵向用户帖子时间表的创建与评估

该研究提出了一种基于用户在线发布活动的方法，将长期的用户发布内容细分为时间轴，从而找到可能包含用户行为变化有趣时刻的时间轴；并提出了一种新的框架来评估时间轴，并在两个不同的社交媒体数据集的背景下展示了应用的可行性，并讨论高评价时间轴的语言内容。

Mar, 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

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

智能消息行为识别系统

通过引入 Image Retweet Modeling (IRM) 这一网络模型，本研究探讨了短信息服务（SMS）中预测图片转发的问题，并对用户在 Twitter 上分享照片的行为进行预测。该研究提出了一种基于文本引导的多模神经网络方法，能够学习图像 Twitter 表示和用户偏好表示，并在广泛数据集上的多次实验证明本方法在社交网络平台中的预测任务上优于当前方法。

Apr, 2024

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

TiDeH：基于时间的 Hawkes 过程预测转推动态

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

预测推文流行度的贝叶斯方法

本研究应用贝叶斯方法通过观测 Twitter 上短消息的转发情况和本地网络结构的信息，预测了短消息的传播程度和转发总数，有效提前几分钟预测结果，对于理解社交网络中的广义思想、主题或趋势的传播有潜在的启示作用。

Apr, 2013

时间的重要性：社交媒体热度的多尺度时间化

本文提出了一个名为 Multi-scale Temporalization 的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模 Flickr 图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

Dec, 2017