本文提出了一个名为Multi-scale Temporalization的新的计算框架，通过多尺度分解和结构重构来估计基于用户、帖子和时间的张量空间中的流行度，从而整合多个时间尺度动态来预测社交媒体影响力。通过在两个大规模Flickr图像数据集上进行实证评估，结果表明我们的方法在预测准确性方面具有明显的优势。

Dec, 2017

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

本文综述并分类信息流行度预测方法，包括特征工程、随机过程、图表示和基于深度学习的方法，并总结了现有研究的优缺点以及该领域的挑战和机遇。

May, 2020

本文提出将句子级别的普及度预测作为序列回归任务，通过使用自然语言内容在在线新闻文档中预测句子的流行度，并提出一种基于BERT的神经模型和辅助任务中的句子重要性预测的转移学习方法。使用生成的一组句子级别的流行度注释，建立第一个可自动创建的数据集InfoPop。研究表明，从句子重要性的预测中进行转移学习可以加强句子流行度的预测。

Dec, 2022

基于时间嵌入的级联注意力网络（TCAN）是一个面向大规模信息网络的新型流行度预测架构，通过将时间属性嵌入到节点特征中，并利用级联图注意力编码器（CGAT）和级联序列注意力编码器（CSAT）来完全学习级联图和级联序列的表示，从而实现对信息流的预测。

Aug, 2023

本文提出了一种名为HierCas的层级时序图注意力网络框架，通过动态图模型方法对整个级联图进行操作，能够捕捉连续动态信息的全范围，并明确建模结构和时间因素的相互作用。通过利用时间感知节点嵌入、图注意机制和层级池化结构，HierCas有效地捕捉了复杂级联中隐含的流行趋势。在不同情景下对两个真实世界数据集进行的广泛实验表明，我们的HierCas明显优于最先进的方法。

Oct, 2023

通过提出CF-Diff方法，结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器（CAM-AE），克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明，CF-Diff在三个真实世界数据集上优于基准推荐方法，相对最佳竞争对手的表现可达到7.29％的显著增益，并确保了计算效率与用户或物品数量呈线性比例。

Apr, 2024

社交媒体上的内容传播受到三个层面的相互影响因素的塑造：源头、内容本身和传播途径。本文提出了贝叶斯混合霍克斯模型，共同学习源头、内容和传播的影响。我们将BMH模型制定为可分离霍克斯过程的分层混合模型，适应不同类别的霍克斯动力学和特征集对这些类别的影响。我们将BMH模型应用于两个真实世界的转推级联数据集的两个学习任务：冷启动热度预测和时间特征广义性能。BMH模型在这两个数据集上表现优于现有模型和预测基准，并比其他选项更好地利用了级联和项目级别的信息。最后，我们进行了一个反事实分析，将训练的出版商级别BMH模型应用于一组文章标题，并展示了标题写作方式（中立、点击诱导、煽动性）在不同出版商之间的有效性差异。BMH模型揭示了具有争议性和有声望的出版商之间的风格有效性差异，我们发现点击诱导对有声望的出版商而言比争议性出版商更加有效，这与后者过度使用点击诱导的情况相关。

Jun, 2024

本文解决了传统推荐技术在泛化性能上的不足，提出扩散模型作为一种新的解决方案。通过全面调查现有研究，本研究系统性地分类扩散模型在数据工程、推荐模型和内容呈现中的应用，凸显其在捕捉复杂数据分布和生成高质量样本方面的独特优势，进而为未来的研究提供了方向。

Sep, 2024

本研究解决了信息流行度预测中的复杂时间动态建模问题。提出的ConCat方法利用神经常微分方程建模级联中的不规则事件，并将级联事件视为神经时间点过程，有效提升了预测精度。实验表明，ConCat在三个真实世界数据集中都显著优于现有最优基线，改进幅度达2.3%-33.2%。

Sep, 2024