May, 2024

优化社交媒体帖子热度预测与视觉内容

PDF
TL;DR利用图像信息和层次化数据结构，预测基于图像的社交媒体内容的流行度，通过 Google Cloud Vision API 提取关键图像和颜色信息，相比于单独使用非图像协变量，精度提升了 6.8%。通过线性混合模型、支持向量回归、多层感知机、随机森林和 XGBoost 等多种预测模型，对比实验表明能够捕捉协变量之间的非线性相互作用的模型优于其他方法。
image-based social media contentpopularity predictiongoogle cloud vision apiprediction modelsnonlinear interactions
发现论文，激发创造
  • 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

  • 使用支持向量回归预测在线视频的流行度

    本文提出了一种基于时间和视觉线索的回归方法来预测在线视频的流行度，该方法使用支持向量回归与高斯径向基函数，证明了该方法相比于现有的算法在预测结果上更优且更稳定。同时，将社交和视觉元数据添加后可以进一步提升预测结果。

    Oct, 2015

  • 如何成为 Instagram 名人：使用双重注意力进行帖子受欢迎程度预测

    本文旨在预测特定用户的帖子受欢迎的程度，并挖掘受欢迎背后的模式。基于采集的 Instagram 数据，我们提出了一种双重注意力模型，该模型考虑了图像、标题和用户环境。实验结果表明，我们的模型优于基准，并且统计分析确定了哪种图片或标题可以帮助用户获得相对较高的 “喜欢” 数。

    Sep, 2018

  • 利用多个帖子依赖性改进社交媒体知名度预测

    提出了一种名为依赖感知序列网络 (Dependency-aware Sequence Network, DSN) 的新型预测框架，该框架充分利用了社交媒体帖子之间的多个依赖关系，通过多模态特征提取器和层级信息传播方法提高了预测准确度，并使用循环网络和多头注意力机制进行本地时间处理和长期依赖建模。在 Social Media Popularity Dataset 上的实验结果表明，与现有的最先进模型相比，本方法表现出更高的优越性。

    Jul, 2023

  • 关注传染性：利用注意力机制理解社交媒体视频的流行程度

    通过结合 Grad-CAM 可视化方法和软注意力机制，本研究提出了更直观的内容影响视频受欢迎程度的解释方法，并在预测准确性方面取得了竞争性的结果。

    Apr, 2018

  • 社交媒体中的新闻脉搏：流行度预测

    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

  • 喜好预测的视觉指导

    研究表明，我们可以利用计算机识别人脸信息并预测性别、年龄和外貌美丽程度，同时通过视觉协作过滤技术和新的回归技术推断人们之间的偏好，并基于此预测一张图片的相对吸引力。在一项大型的约会网站数据集和明星图片上，我们的实验获得了令人信服的结果，并得出了一些有意义的社会学结论。

    Oct, 2015

  • 探索 Google Plus 中的图片病毒性

    本文研究了在线社交网络上对帖子的互动反应，发现在帖子中加入图像等可视化元素后，其视觉特征会对帖子的病毒性产生不同的影响，同时提出了与其相关的几种假设和解释及其动态特征。

    Sep, 2013

  • 智能消息行为识别系统

    通过引入 Image Retweet Modeling (IRM) 这一网络模型，本研究探讨了短信息服务（SMS）中预测图片转发的问题，并对用户在 Twitter 上分享照片的行为进行预测。该研究提出了一种基于文本引导的多模神经网络方法，能够学习图像 Twitter 表示和用户偏好表示，并在广泛数据集上的多次实验证明本方法在社交网络平台中的预测任务上优于当前方法。

    Apr, 2024

  • 构建一种可视化隐私建议系统：理解和预测图像中的隐私风险

    该研究提出了一种基于可视化隐私顾问的方法，在图像内容方面扩展用户的隐私设置，以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性，从图像直接预测个人信息，了解不同用户在隐私属性方面的偏好，并在此基础上提出模型以预测用户在隐私风险方面的表现，并在一定程度上优于用户自己的隐私风险认知。

    Mar, 2017