研究了社交网络中内容传播的可预测性，提出了一种新的预测框架 Deep Temporal Context Networks (DTCN)，并在 Flickr 图片数据集上的实验结果表明其比现有算法预测热度的准确性更高。

Dec, 2017

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

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

该研究提出了一种基于用户在线发布活动的方法，将长期的用户发布内容细分为时间轴，从而找到可能包含用户行为变化有趣时刻的时间轴；并提出了一种新的框架来评估时间轴，并在两个不同的社交媒体数据集的背景下展示了应用的可行性，并讨论高评价时间轴的语言内容。

Mar, 2023

利用图像信息和层次化数据结构，预测基于图像的社交媒体内容的流行度，通过 Google Cloud Vision API 提取关键图像和颜色信息，相比于单独使用非图像协变量，精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型，对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。

May, 2024

通过将社交网络影响视为用户感知的影响，开发了用于用户活动的概率模型，其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展，而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型，数值研究表明，在具有足够观察以确保准确模型学习的情况下，所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据，并展示了所提出方法在预测下一条推文的时间方面的效用。最后，该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。

May, 2013

通过对 Instagram 数据集进行分析，研究了其网络结构、内容生成和消费动态以及用户标签媒体的行为，以了解人类行为动态在社交技术系统中的表现，重点关注用户和内容的流行度、在线环境中用户交互的机制以及个体主题兴趣如何汇聚形成集体趋势。

Jun, 2014

提出了一种基于活动驱动的带记忆时间变化网络框架的时间网络模型，该模型整合了社会强化机制、焦点闭合和循环闭合等机制，可以生成具有社区结构和全局连通性的网络，且与真实的手机通信网络具有多种相似性。

Jun, 2015

本文介绍了一种新的基于 Hawkes 过程及自激点过程的混合算法，用于预测社交媒体信息的流行度，并通过实验证明了该方法相较于目前流行的特征驱动和生成模型具有更好的性能。同时，本文通过统计用户特征和事件时间摘要数据证明了该方法在分类和回归任务中表现出色，并建议后续会有更多工作将会在特征驱动和生成建模的方法上进行比较。

Aug, 2016