Mar, 2021

理解微信用户偏好与 “Wow” 传播

PDF
TL;DR本文讲述了 WeChat 平台的 Top Stories 推荐引擎以及用户之间的朋友增强型阅读体验，分析了用户的喜好和 “wow” 行为的传播。研究结果发现，用户的 “wow” 概率与其连接的个数成反比，而单纯点击文章的概率则相反。研究者考虑到模型预测结果的需求，提出了 DiffuseGNN 模型。实验结果表明，该模型可以显著提高预测性能，具有实际应用价值。
发现论文，激发创造
  • 移动社交大数据：微信朋友圈数据集、网络应用和机会

    本文讨论了通过 WeChatNet 数据集，对移动社交网络的信息传播、网络流量预测以及人口分布进行数据分析的研究，并探讨了使用该数据集进行新应用程序开发的潜在研究机会。

    Oct, 2017

  • Digg 的社交动态

    本文研究了在线社交媒体上的用户行为和内容推荐，以新闻聚合平台 Digg 为例，提出了一种随机模型用于区分内容的可见性和有趣性对用户的影响，并预测了用户对内容的兴趣，为网站内容设计提供了参考。

    Jan, 2012

  • 微信社交消息群的生命周期和传播

    通过分析中国最大的独立消息通信服务 WeChat 的日常使用日志，本文旨在理解社交消息群组如何相互联系，增长新成员并随着时间的推移发展。我们发现组的生命周期存在很强的二分法，它们的演化在很大程度上取决于它们在用户每日社交体验和特定目的中的社交角色和功能。此外，本文还研究了群成员的个体属性，并研究了群获得新成员的扩散过程，开发了一个会员级联模型并证明了其在预测邀请者和邀请接受者方面的有效性。

    Dec, 2015

  • 基于图的行为感知交互新闻推荐

    本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

    Nov, 2018

  • 微博网络中的热度预测：以新浪微博为例的案例研究

    本文研究了微博中早期接受者的结构特征对内容受欢迎程度的影响，发现提高内容的结构多样性可以显著改善现有方法的准确性。

    Apr, 2013

  • 图探索很重要：在微信信息流推荐中提高个体和系统多样性

    提出了一种解决工业级推荐系统中个人层面多样性和系统层面多样性的集成问题的方案，使用检索图信息来增加多样性，捕捉用户的实时多样性倾向，并在微信应用的 Top Stories 等应用中实现并部署，离线模拟和在线 AB 测试显示该方案可以有效提高用户参与度和系统收入。

    May, 2023

  • 面向新闻推荐的图增强表示学习

    该论文提出了一种基于图注意机制和变压器结构的新闻推荐方法，可以通过对历史用户点击行为的图谱表达用户和新闻相关性，进而学习用户和新闻的表征，实现个性化推荐。

    Mar, 2020

  • 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

  • 愤怒比快乐更具影响力：微博情感相关性

    该研究分析了微博中用户间的情感传播及影响，发现愤怒情绪在网络中传播更迅速和广泛，而悲伤情绪的相关性极低且波动较大；同时，若两个用户之间互动越多，则他们的情感相关性越强，拥有更多好友的用户对其邻居的情感影响更显著，这些研究发现为在线社交网络中情感影响及传播模型建立提供了启示。

    Sep, 2013

  • 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