WWWFeb, 2016

探究复杂社会系统预测的极限

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 部分观测系统的可预测性极限

    本研究研究了部分观测系统中的预测性能，并证明了时间采样导致的不确定性损失是无法通过使用外部信号进行补偿的，证实了这一理论的适用性。同时还考察了实际系统中的感染疾病、在线讨论以及软件开发等方面，发现随着时间采样的增加，部分系统的可预测性会出现不可逆的下降，揭示了部分观测系统中的基本可预测性限制。

    Jan, 2020

  • 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

  • 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

  • 有限网络中，由失效级联引起的显式规模分布重新定义系统风险

    本研究发现，在有限网络中，初始节点的少量失败可能会导致跨越大部分节点的级联，级联大小的分布多为双峰形。通过推导出级联最终大小的全概率分布，证实了此现象的普遍性和重要性，同时着重探讨了全网络和星型网络两种拓扑极端情况下的级联大小分布。

    Feb, 2018

  • 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

  • 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

  • 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