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

针对 Facebook 上 98 个最大信息流推广进行的研究，探索信息扩散协议对于流行度的影响，发现具有不同信息扩散协议的信息流推广有不同的特征，影响了信息流的传播速度和申请率。

May, 2018

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

研究使用 Twitter 等在线社交媒体系统中用户发布和分享内容时及创建和破坏连接时，网络结构的动态变化，发现信息扩散会导致突发性的连接形成和网络结构变化，且信息内容的出现可以导致连边的创建和删除，提出了能量化网络动态和突发事件发生的模型。

Mar, 2014

通过对医学研究论文中信息传播的模拟与研究，发现迭代式摘要具有虚假扭曲的负面影响，而在迭代摘要过程中产生高质量摘要可以减少信息失真。此外，该研究还发现提取式摘要比生成式摘要更少受语义失真的影响。

Feb, 2019

本研究利用多维标记 Hawkes 过程模拟了社交网络中用户的行为传播，解决了相关级联效应的建模和潜在传播网络的提取问题。通过 Twitter、网址缩短和音乐流媒体服务的实验结果表明，该模型在性能上胜过了其他模型。

Oct, 2015

本文探讨了在社交网络的动态领域中信息传播的至关重要性，强调了信息传播模型在揭示数字时代数据传播复杂性方面的关键角色。通过阐明这些模型的深远影响，它不仅奠定了探索各种等级及其表现形式的基础，而且成为进一步研究该领域的催化剂。

Mar, 2024

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

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。

Jun, 2015

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