Sep, 2018

如何成为 Instagram 名人：使用双重注意力进行帖子受欢迎程度预测

PDF
TL;DR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。
social media data miningpost popularity predictionspecific useruser environmentdual-attention model
发现论文，激发创造
  • 优化社交媒体帖子热度预测与视觉内容

    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

  • 利用社会动态模型预测新闻的受欢迎程度

    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

  • 利用多个帖子依赖性改进社交媒体知名度预测

    提出了一种名为依赖感知序列网络 (Dependency-aware Sequence Network, DSN) 的新型预测框架，该框架充分利用了社交媒体帖子之间的多个依赖关系，通过多模态特征提取器和层级信息传播方法提高了预测准确度，并使用循环网络和多头注意力机制进行本地时间处理和长期依赖建模。在 Social Media Popularity Dataset 上的实验结果表明，与现有的最先进模型相比，本方法表现出更高的优越性。

    Jul, 2023

  • 关注传染性：利用注意力机制理解社交媒体视频的流行程度

    通过结合 Grad-CAM 可视化方法和软注意力机制，本研究提出了更直观的内容影响视频受欢迎程度的解释方法，并在预测准确性方面取得了竞争性的结果。

    Apr, 2018

  • Instagram 通過在線受歡迎度和主題興趣的角度進行觀察

    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

  • 时间的重要性：社交媒体热度的多尺度时间化

    本文提出了一个名为 Multi-scale Temporalization 的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模 Flickr 图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

    Dec, 2017

  • 如何在社交媒体上生成热门帖子标题？

    利用社交媒体上的趋势和个人风格自动生成流行的标题，通过多种偏好提取器结合双向和自回归变换器的 MEBART 算法在真实数据集上取得了最先进的性能。

    Sep, 2023

  • 基于耦合图神经网络的社交平台流行度预测

    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

  • 深度时间上下文网络顺序预测社交媒体流行度

    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

  • 社交媒体中的新闻脉搏：流行度预测

    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