本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。

Jul, 2016

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

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

本文提出了一种个性化新闻推荐方法，它通过将新闻的热门信息和用户兴趣结合，从而解决了针对新用户和兴趣多样化的问题，提高了推荐的准确性和多样性。

Jun, 2021

本文提出了一种新的两阶段框架，使用朴素贝叶斯分类器来提取新闻文章中的观点句，第一阶段使用本地特征对每个句子进行打分，第二阶段使用 HITS schema 来利用文章的全局结构和句子之间的关系。我们证明使用 HITS 显著提高了精度，并且该方法实际上发现了文章的潜在结构，从而提取了各种观点以及与之相关的事实和支持的观点。

Jan, 2021

PerSenT 数据集包括了新闻文章中主要实体的情感分析，并提供了段落级别的情感注释以提供更精细的监督。该数据集的基准测试表明，这是一项困难的分类任务。该论文指出，使用 BERT 对文档级表示进行微调是不足够的，并且对整个文档进行段落级别的决策和聚合也是无效的。该数据集包含 5.3k 个文档和 38k 个段落，涵盖 3.2k 个独特的实体，是实体情感分析中的一个挑战。

Nov, 2020

介绍了一个新的自然语言处理数据集和用于预测从书面文本中的韵律突出的基准测试。使用预训练的上下文化单词表示方法 BERT，比其他模型快 10% 的预测度与作为离散化的韵律突出显示。

Aug, 2019

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

借助图神经网络模型，开发了一种可以自动检测假新闻的方法，在对长篇新闻文章进行分类时无需进行特征工程，与目前已有的强基线神经网络相比，该方法在精细分类上取得了最新的最高准确率，并且在域外情况下也具有很好的泛化能力。

Oct, 2019

本研究提出了使用多模态文本图片数据集预测日本动漫热门度的方法，通过使用从互联网中获取的开源数据构建这一数据集，利用基于 GPT-2 和 ResNet-50 的深度神经网络模型，研究多模态文本图片输入与热门度之间的相关性，发现数据集的相关优势和弱点。通过使用均方误差（MSE）度量模型的准确性，当考虑所有输入和完整版本的深度神经网络时，获得最佳结果为 0.011，而传统的 TF-IDF 和 PILtotensor 向量化方法获得的基准 MSE 为 0.412。这是首次使用多模态数据集来解决此任务，揭示了即使使用相对较小的模型（ResNet-50）对图像进行嵌入处理也能带来的显著好处。

Jun, 2024