本文对 Instagram 上分享的 hashtag 进行了首次大规模实证分析，揭示了从时空、语义和社会维度出发的一系列发现，其中包括时序模式可划分为四个不同群集、语义位移较大的 hashtag 有不可忽略的比例、用户分享较均匀的 hashtag 不易语义位移。最后，作者提出了一个双向图嵌入模型以总结用户的 hashtag 概要，并基于这些概要进行好友预测，证明 hashtag 具有强大的社交信号。

May, 2019

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

本文关注 Twitter 上的集体关注和 Hashtag 的流行度峰值，通过数据分析和文本挖掘技术，提供了 Hashtag 类别的语义特征，发现流行度峰值主要由外部因素而非流行病学因素所驱动。

Nov, 2011

本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于现有最先进模型，分别提高了 19.66%、2.27% 和 2.22%。

Dec, 2016

该研究论文主要研究机器学习中的时序转变对社交媒体的影响，通过提出一种统一的评估方案，发现语言模型在不同时间设置下会出现性能下降，尤其在命名实体识别、仇恨言论检测等任务中。而在主题分类和情感分类等任务中，性能下降不明显，同时发现对测试期进行连续预训练并不能提高语言模型的时序适应能力。

May, 2024

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

本文针对用户生成的社交媒体数据不断变化，现有自然语言处理系统无法适应且需要大量重新训练的问题，提出了一种基于非参数分类器的简单有效的时间适应方法，并通过预测长期 Hashtag 变化的任务进行了实验。结果表明，非参数分类器的分类效果相比最佳参数基线提高了 64.12％，而且被动删除用户数据时也表现出极高的性能。

Sep, 2022

使用多种模型，比较了 9 个 tweet 表征表示在 8 个文本和 5 个社交元素属性上的表现，Bi-directional LSTM（BLSTM）和 Skip-Thought Vectors 最能编码文本和社交属性，在低资源情况下表现不错的是 FastText。

Apr, 2017

本研究提出了一种基于 Hashtag 的推文分类模型（HashTation），该模型能够自动为输入推文生成有意义的 Hashtag，以提供有用的辅助信号进行推文分类。实验表明，HashTation 在低资源推文分类任务上取得了显著提高，从而减少了对大规模人工标记数据的需求。

Feb, 2023

提出了一个基于语义相关性的 hashtag 推荐模型语义评估框架 ——#REval，其中包括一个自动学习 hashtag 嵌入的模块 BERTag，实验表明，该框架对不同的词嵌入技术有着不同的表现，并且提供了更有意义的 hashtag 同义词作为 hashtag 推荐的评估标准。

May, 2023