KDDJun, 2015

SEISMIC: 用于预测推文受欢迎程度的自激点过程模型

PDF
TL;DR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。
social networking websitesinformation cascadesresharingself-exciting point processespredictive accuracy
发现论文，激发创造
  • 使用自激励 Hawkes 过程建模和预测微博的受欢迎程度动态

    本文提出了一个基于自助 Hawkes 过程的概率模型，以表征个体微博获得其流行度的过程，并在最受欢迎的中国微博网络新浪微博上应用，证明了该模型优于基于强化泊松过程的模型。

    Mar, 2015

  • 基于特征和点过程的流行度预测方法

    本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法，用于预测社交媒体信息的流行度，并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时，本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务中表现出色，并建议后续会有更多工作将会在特征驱动和生成建模的方法上进行比较。

    Aug, 2016

  • 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

  • 级联能否被预测？

    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。

    Mar, 2014

  • 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

  • 对话事件序列的自激点过程建模

    研究了 Hawkes 过程对生成突发事件序列的基础属性，然后将该模型适用于日本公司办公室中的对话序列数据，估计了个体之间自己兴奋、基础事件率和它的时间衰减的相对大小。同时指出该模型的重要局限性在于无法独立调节事件间隔的相关性和突发性。

    May, 2012

  • 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

  • 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

  • 社交媒体事件的 Hawkes 过程教程

    本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。

    Aug, 2017

  • 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