在大数据时代，信息蔓延的预测在大规模信息、专家经验和高精度模型的帮助下带来了巨大机遇。然而，不同学科的专业知识参与导致信息蔓延预测主要专注于特定应用领域（如地震、洪水、传染病）。缺乏统一的预测框架为不同应用领域的交叉预测方法的分类带来了挑战。本文提供了信息蔓延建模、预测和应用的系统分类和总结。我们旨在帮助研究人员识别前沿研究，了解公共紧急情况下信息蔓延预测的模型和方法。通过总结目前存在的问题并概述未来研究方向，本文有潜力成为研究人员进一步研究信息蔓延预测的宝贵资源。

Mar, 2024

本文旨在比较现有的三种信息传播预测方法 (即基于中心性、基于特征以及基于点过程)，并对它们进行了分类和回归问题的评估。结果表明，基于特征的方法在预测准确性方面优于其他方法，但针对大型数据集的开销较大。而基于点过程的方法也可能遇到长时间运行的问题。该论文为社交网络分析系统的开发者选择最合适的信息传播预测方法提供了参考。

Jun, 2016

本文探讨了在社交网络的动态领域中信息传播的至关重要性，强调了信息传播模型在揭示数字时代数据传播复杂性方面的关键角色。通过阐明这些模型的深远影响，它不仅奠定了探索各种等级及其表现形式的基础，而且成为进一步研究该领域的催化剂。

Mar, 2024

研究了一种利用深度学习技术预测信息级联大小的方法，并发现该方法可以显著提高级联预测的性能。

Nov, 2016

通过对医学研究论文中信息传播的模拟与研究，发现迭代式摘要具有虚假扭曲的负面影响，而在迭代摘要过程中产生高质量摘要可以减少信息失真。此外，该研究还发现提取式摘要比生成式摘要更少受语义失真的影响。

Feb, 2019

本研究探讨了在复杂的社会系统中成功的可预测性，提出了两种错误预测的一般来源：数据和 / 或模型的不足，以及社会系统的固有不可预测性。本文以 Twitter 上的信息级联大小预测为例辅以经验研究，结果表明，即使拥有无限的数据，预测性能也会受到很强的限制；预测准确度的限制不仅取决于数据本身，而且可能取决于产品质量的估计误差和产品质量的微小差异等因素。因此，对于更难以获得数据的其他复杂的社会系统，预测准确度的限制可能更低。

Feb, 2016

本文提出了一个新的方法来预测社交网络中的瀑布过程，使用行为动力学描述微观机制，提出了一个新的网络威布尔回归模型。本文通过数据驱动分析发现了常见的原则和模式，提出了一个可扩展的解决方案来近似瀑布过程和预测其累计过程。在大规模社交网络数据集上进行广泛评估，结果表明该方法在多项任务中可以显著优于其他最先进的基线模型。

May, 2015

以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。

Oct, 2013

该研究讨论在社交媒体平台上，用户分享他人的内容可能会通过 resharing 或 reposting 功能形成大规模的 cascade，而未来 cascade 的轨迹本质上是不可预测的，但通过观察其 reshares 数量，结构和时间特征等因素，可以有效预测其继续扩大的概率，同时 initally 时的 breath 水平也是较大 cascade 的较好指标。

Mar, 2014

在 Facebook 上进行大规模分析，发现内容传播的级联不仅仅是单次性事件，而是在很长的时间尺度上反复出现，其中的内容病毒性是导致级联反复出现的主要驱动因素。

Feb, 2016