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。

Jun, 2015

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

本文提出了一种基于社交媒体流的实时事件跟踪方法，包括事件检测、演化模式追踪、以及通过核心帖子绘制草图图形和词云展示等，能够有效处理大量噪声数据。

Nov, 2013

研究社交媒体信息扩散的速度和范围，认为信息的新奇性、用户活动水平、注意力集中和对好友推荐的反应等因素影响信息扩散，用户的所花的最小努力与有限的注意力是信息扩散中的支配性原则，高度连接的个体不太可能传播任意推文，高连接度并不一定导致信息有效传播。

May, 2012

通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上，建立一个基于多变量 Hawkes 过程的社交网络优化理论框架，并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系，进一步发展了一个凸的动态规划框架，可以确定每个阶段所需的外部推动水平，以达到所需的推广结果。实验结果表明，我们的算法比基线模型更准确地引导用户进行优化宣传。

Jun, 2016

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

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

本文提出了一种时态点过程模型，通过考虑用户历史推文序列和邻居推文来同时预测用户下一个推文的发布时间和立场标签，设计了一个主题驱动的注意机制来捕捉邻域上的动态话题转换，实验结果表明，该模型相对于其他具有竞争力的基线模型更准确地预测了未来推文的发布时间和立场标签。

May, 2020

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

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