SMP 挑战:社交媒体预测挑战的概述与分析
本文介绍了 “SMP Challenge” 中的新预测任务 ——“时序流行度预测”,该任务旨在利用社交多媒体数据进行未来互动性或吸引力的预测,并发布了一个包含超过 480K 发布内容和 69K 用户的大型 SMPD 基准数据集。
Oct, 2019
这篇系统综述研究了过去十年的相关文献,发现了社交媒体数据在预测方面存在的局限性和常见错误,并提出了旨在帮助研究者利用社交媒体数据进行预测的最佳实践建议。
Jun, 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
本文阐述了如何使用社交媒体内容来预测真实世界的结果,具体来说,作者使用 Twitter 上的内容预测了电影的票房收入,并演示了如何使用从 Twitter 中提取的情感来进一步提高社交媒体的预测能力。
Mar, 2010
社交媒体平台上的流行回应预测研究中,采用强化学习,利用 Popularity-Aligned Language Models (PopALM) 区分受更多用户喜欢的回应,并通过曲线教学以帮助模型捕捉重要的训练样本,实验证明 PopALM 能提高高级语言模型的性能。
Feb, 2024
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。
May, 2024
该文介绍了一种基于 Semantic Modular Model 的事件检测方法,结合自然语言处理技术和聚类算法,更精确地提取社交媒体上的事件信息和关键词。
Jan, 2023
社交媒体平台上的信息错误传播对公共健康、社会凝聚力以及最终的民主构成了重大威胁。本文介绍了 VerMouth,这是第一个包括大约 1.2 万个声称 - 回应对的大规模数据集,涵盖了社交媒体风格和基本情感等两个在信息错误的可信度和传播中具有重要作用的因素。
Nov, 2023
本文提出了一种基于数据驱动方法的职业技能热度模型,从大规模招聘数据中分析职位技能网络,利用 Skill Popularity based Topic Model (SPTM) 模型对职位技能进行多方面热度评估,得出对职位技能发展和对高薪就业的规律。
Dec, 2017