本文针对社交网络应用中用户参与度预测问题，提出了可解释的用户参与度预测模型 FATE，并在 Snapchat 两个大规模数据集上进行了广泛的实验，得到显著的预测精度提升和运行时间缩短。

Jun, 2020

在线社交平台成功的关键在于它们能够以大规模预测和理解用户行为。我们展示了数据，表明上下文感知建模方法可能提供全面、轻量且可能保护隐私的在线社交平台用户参与表示。利用深度 LSTM 神经网络分析来自近 80,000 个用户的 1 亿多个 Snapchat 会话，我们证明了过去行为可以预测主动和被动使用的模式（R2=0.345），而与行为基线模型相比，整合上下文信息可以显著提高预测性能（R2=0.522）。与从应用内行为历史中提取的特征相比，与智能手机连接状态、位置、时间上下文和天气有关的特征被发现捕捉到了用户参与度中非冗余的变化。此外，我们还发现，如果考虑当时的上下文信息，大部分变化都可以用极简的行为历史来解释（R2=0.44）。这些结果表明，上下文感知方法有潜力通过减少对长期数据历史的需求来使模型更高效和保护隐私。最后，我们运用模型可解释性技术来初步了解潜在的行为机制。我们的发现与上下文相关、习惯驱动的主动和被动使用模式的概念一致，突显了上下文化用户行为表示对于预测社交平台用户参与的价值。

Oct, 2023

使用移动应用的用户行为数据作为指标实现用户建模，通过 AutoEncoder-coupled Transformer 网络解决手工特征工程带来的人力成本问题，并展示了该网络在多个下游应用实验中嵌入用户的有效性。

May, 2020

本研究研究了移动健康应用程序的用户参与度和保留度，由于用户有多种不同的主要意图或目标使用应用程序，故他们有多种生命。在这项研究中，我们开发了一个改进的预测模型，可以达到 71％ROC AUC，并对如何使用通知，建议以及游戏化来增加用户参与度具有重要影响。

Feb, 2018

本文开发了一种基于个性化、多变量时间点过程的新型统计模型，用于对移动健康应用中的人类行为建模，以得出未来用户行为及其时机的准确预测。

Feb, 2018

该研究提出了一个框架来研究健康工作者对移动健康的使用，重点关注数字医疗健康应用的行为日志，并提供了多种个性化的度量方法来检测有效参与度和检测完全失去参与的情况，最终为卫生工作者的能力提升、病患治疗和生命拯救做出贡献。

Jun, 2022

本文提出了一个基于图神经网络的解决方案，TweetGage，用于预测社交媒体上发布的帖子在用户参与度方面的影响，并通过一系列实验对其效果进行了验证。

May, 2023

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

通过对连续智能手机用户行为的预测建模，本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆（LSTM）和变压器神经网络，我们展示了社交媒体使用在个人内部和个人之间是可预测的，同时在个体之间的预测差异也是稳健的。

Apr, 2024

本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。

Jun, 2016