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

本文提出了一种新颖的表征学习模型，通过系统性地利用用户 Twitter 时间轴上的文本 “上下文”，并考虑用户背景知识如写作风格和写作主题总结，从而准确地计算推文的语义表示，并通过实验证明，在预测用户配偶、教育和工作等人物属性时，该模型优于现有最先进模型，分别提高了 19.66%、2.27% 和 2.22%。

Dec, 2016

该研究利用层次化 LSTM 来处理社交媒体数据中如微博和推文等的情感分析，通过建模各种上下文，特别是长期上下文，以提高情感分类的准确性。

May, 2016

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

本文探索了利用不同位置、时间和作者搜集的大量元数据来分析推文情感，并使用基于贝叶斯方法的分类器，将上述元数据与 n-grams 等标准语言特征相结合，以更准确地对推文情感进行分类。结果表明，将 Twitter 可用的丰富上下文信息整合到情感分类中是一个有希望的研究方向。

May, 2016

本文旨在考虑排列用户通过交互推文中的电影评分影响力的效果，定义了包括基于用户、电影和推文的特征建立了分类模型进行预测，取得了比单独的回归模型更好的效果，本文的数据来源于 ACM RecSys Challenge 2014 中的 MovieTweeting 数据集。

Jan, 2015

研究在线交流中重新参与预测的问题，提出了一个基于神经网络的框架，考虑了对话上下文和用户历史信息，实验结果表明该模型较之前的方法表现更优

Jun, 2019

利用社交媒体转发活动数据增强事件参与者预测模型的学习，在两种真实环境下对训练数据以及热启动和冷启动测试情景进行综合实验，评估结果表明我们的方法在几个基准模型中始终表现优异，尤其在限定目标领域数据时。

Oct, 2023

引入了 Context-Based Prediction Models 这一概念，通过仅依赖用户和环境特征，而不考虑物品特定特征的方式来预测用户的行为概率，该方法在许多有价值的应用中表现出显著优势，包括训练辅助的上下文模型以估计点击概率，并将其预测作为 CTR 预测模型的一个特征进行加入，实验证明这种改进在离线和在线业务指标上带来了显著的提升，而对服务成本几乎没有影响，总体上，我们的工作为大规模商业推荐系统的性能提升提供了一种简单且可扩展却强大的方法，对个性化推荐领域具有广泛的影响。

Jul, 2023

社交平台是传播和讨论真实事件信息的关键平台，本研究提出了一种利用社交数据的词汇、语义和上下文表示来检测社交事件的框架，通过利用上下文知识在最早的阶段检测语义相关的推文并提高聚类质量，进而展示每个事件的演变变化。经过广泛实验验证了该框架在检测和区分社交事件方面的有效性。

Jul, 2023