本文旨在利用机器学习和人工智能技术，通过一些特征来识别和估计 YouTube 视频的观看量，同时使用排名系统来确定哪些视频是热门的，从而帮助内容创作者判断他们的内容是否可靠，鼓励其进行更健康的竞争以提升其影响力。

Nov, 2022

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

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间和视觉线索的回归方法来预测在线视频的流行度，该方法使用支持向量回归与高斯径向基函数，证明了该方法相比于现有的算法在预测结果上更优且更稳定。同时，将社交和视觉元数据添加后可以进一步提升预测结果。

Oct, 2015

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

本文旨在预测特定用户的帖子受欢迎的程度，并挖掘受欢迎背后的模式。基于采集的 Instagram 数据，我们提出了一种双重注意力模型，该模型考虑了图像、标题和用户环境。实验结果表明，我们的模型优于基准，并且统计分析确定了哪种图片或标题可以帮助用户获得相对较高的 “喜欢” 数。

Sep, 2018

本文研究在线视频传播中的受欢迎程度预测问题，证明可以使用深度神经网络结构，将其作为分类任务来解决。我们提出了一种基于长期循环卷积网络 (LRCN) 的新方法来提取视频中的视觉线索，并将信息的时序性纳入模型。在 Facebook 上发布的超过 37,000 个视频数据集上表明，我们的方法的预测性能比传统浅层方法提高了 30％以上，并为内容创建者提供了有价值的见解。

Jul, 2017

本文提出了一种名为 HierCas 的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas 有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的 HierCas 明显优于最先进的方法。

Oct, 2023

本文提出了一种基于双向 LSTM 神经网络的新方法来预测在线内容的受欢迎程度，通过新闻标题文本信息可以提高传统浅层方法的预测精度，并且在预处理的词向量上使用 LSTM 模型可以提高预测结果。

Jul, 2017