流行性的可预测性:预测与理解之间的差距
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
通过社交网络中推广模式的早期传播模式,研究成功的梗可预测性。我们提出和分析了一套全面的特征,并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组:早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现,基于社区结构的特征是未来成功的最强预测因素。我们还发现,梗的早期流行度不是其未来流行度的好预测因素,与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。
Mar, 2014
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
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。
Feb, 2016
本文探讨了预测 YouTube 视频在校园网络中的流行度的方法,提出了一种融合视频到达时间和社交扩散模型的缓存方法,通过学习网络中用户之间分享的概率和使用数学流行病学的病毒传播模型来预测未来视频访问次数,并取得了 14% 的命中率提高。
Aug, 2013
在这篇论文中,我们提出了一种名为 CoupledGNN 的新方法,该方法使用两个耦合的图神经网络来捕捉节点激活状态和影响传播之间的相互作用,从而精确地预测社交平台上的信息传播。我们在 Sina Weibo 数据集上进行的实验证明,与各种现有方法相比,我们的方法显著提高了流行度预测的准确性。
Jun, 2019
通过一个数学模型研究了基于流行度和社交关系的推荐系统。结果表明,在一些普遍的条件下,市场总会收敛到一个稳定状态。通过实验进一步证明,实际社交网络中的社交图表现出一定的防止市场失真的作用,即使存在高度具有影响力的用户。
Jul, 2016