Using a Model of Social Dynamics to Predict Popularity of News
社交媒体中的内容受欢迎程度分布不均,一些项目受到用户不成比例的关注。预测哪些新提交的项目将变得流行,对于托管社交媒体网站的公司及其用户都至关重要。准确和及时的预测将使公司能够通过对内容或广告投放的差异定价来最大限度地提高收入。预测还将为消费者提供一个重要的工具,用于过滤不断增长的内容。然而,由于内容质量、社交媒体网站如何选择突出内容以及在用户中的影响力之间的复杂相互作用,预测社交媒体中内容的受欢迎程度具有挑战性。虽然这些因素使得很难预测流行\emph{a priori},我们表明,这些网站上的用户行为的随机模型,允许预测流行的基础上,早期用户对新内容的反应。通过整合网站设计的各个方面,这些模型改进了基于简单地从早期投票中推断的预测。我们使用以前开发的基于Digg用户界面的社会投票模型在社会新闻门户Digg上验证了这一说法。
2010-04-29 cs.CY
Online Popularity and Topical Interests through the Lens of Instagram
在线社会技术系统可以作为现实世界的代理来研究人类行为和大规模的社会互动。在这里,我们关注Instagram,一个媒体共享在线平台,其受欢迎程度一直在上升,聚集了数亿用户。Instagram展示了多种功能,包括社交结构,社交标签和媒体共享。用户之间的社交互动网络对各种动态进行建模,包括关注者/被关注者关系和用户通过帖子/评论进行的通信。用户可以上传和标记照片和图片等媒体,他们可以在平台上“喜欢”和评论每条信息。在这项工作中,我们研究了我们的Instagram数据集的三个主要方面:(i)其异构交互网络的结构特征,以揭示自组织和主题诱导社区结构的出现;(ii)内容生产和消费的动态,以了解全球趋势和流行用户的出现;(iii)用户用标签标记媒体的行为,以确定他们如何投入注意力并探索他们的主题兴趣的多样性。我们的分析提供了线索,以了解人类的行为动力学的社会技术系统,特别是用户和内容的流行程度,用户在在线环境中的互动机制,以及如何集体趋势出现从个人的主题利益。
2014-06-30 cs.CY cs.SI physics.data-an
Dank or Not? -- Analyzing and Predicting the Popularity of Memes on Reddit
Aquincum Institute of Technology(阿昆库姆理工学院);Colorado College(科罗拉多学院);University of Kansas(堪萨斯大学);Haverford College(哈弗福德学院);Tufts University(塔夫茨大学);Dmlab Ltd.(Dmlab有限公司);MTA-BME Stochastics Research Group(MTA-BME随机研究组);Budapest University of Technology and Economics(布达佩斯技术与经济大学)
网络模因已成为当代社会传播中一种日益普遍的形式,近年来引起了人们的研究兴趣。本文分析了2020年3月中旬从Reddit上收集的129,326个模因的数据,当时全球正在引入最严重的冠状病毒限制。这篇文章不仅提供了一个在COVID-19大流行期间互联网用户思想的镜子,而且我们还对是什么让模因病毒式传播进行了基于内容的预测分析。利用机器学习方法,我们还研究了图像相关属性相对于文本属性对模因流行度的增量预测能力。我们发现,一个模因的成功可以预测的基础上,其内容单独适度好,我们的表现最好的机器学习模型预测病毒模因AUC=0.68。我们还发现,图像相关和文本属性有显着的增量预测能力。
2021-01-22 cs.CL cs.CV cs.CY
Predicting Successful Memes using Network and Community Structure
我们研究成功的模因的可预测性,使用其早期的传播模式,在潜在的社交网络。我们提出并分析了一套全面的功能,并制定了一个准确的模型来预测未来流行的模因鉴于其早期的传播模式。我们的论文首次全面比较了现有的预测框架。我们将我们的特征分为三组:早期采用者的影响,社区集中度和采用时间序列的特征。我们发现,基于社区结构的功能是未来成功的最有力的预测。我们还发现,早期流行的模因是不是一个很好的预测其未来的流行程度,与普遍的信念。我们的方法优于其他方法,特别是在检测非常流行或不流行的模因的任务中。
2014-05-30 cs.CY cs.SI physics.data-an
Using Stochastic Models to Describe and Predict Social Dynamics of Web Users
社交媒体中的内容受欢迎程度分布不均,一些项目受到用户不成比例的关注。预测哪些新提交的项目将成为流行的社交媒体内容的主机和消费者都至关重要。准确和及时的预测将使主机能够通过对内容或广告投放的差异定价来最大限度地提高收入。预测还将为消费者提供一个重要的工具,用于过滤不断增长的内容。然而,由于内容质量与社交媒体网站如何选择突出内容之间的复杂相互作用,预测社交媒体中内容的受欢迎程度具有挑战性。此外,大多数社交媒体网站还选择性地呈现相似用户高度评价的内容,其相似性通过他们的行为或社交网络中的链接来暗示。虽然这些因素使得很难预测流行\emph{a priori},我们表明,这些网站上的用户行为的随机模型,允许预测流行的基础上,早期用户对新内容的反应。通过整合网站显示内容的各种机制,这些模型改进了基于简单地从早期投票中推断的预测。使用数据从这样一个网站,新闻聚合器Digg,我们展示了如何随机模型的用户行为区分的影响,增加了知名度,由于网络的用户有兴趣的内容。我们发现了广泛的兴趣,从用户社区更普遍感兴趣的故事中识别出网络中用户主要感兴趣的故事(“利基兴趣”)。这种区分对于从用户对故事的早期反应预测故事的最终流行度很有用。
2010-10-01 cs.CY cs.SI physics.soc-ph
The long-term impact of ranking algorithms in growing networks
当我们在线搜索内容时,我们不断地接触到排名。例如,网络搜索结果以排名的形式呈现,在线书店经常向我们展示畅销书的列表。虽然基于流行度的排名算法(如Google的PageRank)在以前的作品中已经得到了广泛的研究,但我们仍然缺乏对其潜在系统性后果的清晰理解。在这项工作中,我们通过引入一个新的网络增长模型来填补这一空白,该模型允许我们比较在不同排名算法的影响下生成的网络的属性。我们表明,通过校正基于流行度的排名算法的无所不在的年龄偏差,由此产生的网络表现出显着更大的协议之间的节点的内在质量和他们的长期流行度,和一个不太集中的流行度分布。为了进一步促进流行的多样性,我们引入并验证了扰动的原始排名,其中一小部分随机选择的节点被提升到排名的顶部。我们的研究结果向基于模型的理解基于流行度的排名算法的长期影响迈出了第一步,并可用作改进信息过滤工具设计的信息工具。
2018-11-20 cs.CY cs.IR cs.SI
The few-get-richer: a surprising consequence of popularity-based rankings
U. Pompeu Fabra(庞培法布拉大学);BGSE(巴塞罗那经济研究生院);SDU(南丹麦大学)
排名算法在从搜索引擎到推荐系统的在线平台中起着至关重要的作用。在本文中,我们确定了一个令人惊讶的结果,基于流行度的排名:报告给定信号的项目越少,它们共同吸引的整体流量的份额就越高。这种“少而富"效应出现在只有少数不同类别的物品的环境中(例如,左倾新闻源对右倾新闻源),并且基于项目的流行度对项目进行排名。我们分析表明,当人们倾向于点击排名靠前的项目,并对项目的类别有异质性的偏好时,出现了少数人更富有的效果。通过模拟,我们分析了影响的强度如何随着对环境和人类行为的假设而变化。我们还在与人类参与者的在线实验中对我们的预测进行了实验测试。我们的发现对理解错误信息的传播具有重要意义。
2019-06-14 cs.CY cs.IR cs.LG
Predicting students' performance in online courses using multiple data sources
Paris-Saclay University(巴黎-萨克雷大学);Instituto Nacional de Astrofísica, Óptica y Electrónica(国家天体物理、光学与电子学研究所)
数据驱动的决策正在服务和改变教育。我们通过使用来自在线课程的多个数据源(包括我们创建的一个数据源)来解决预测学生表现的问题。实验结果显示了初步的结论,对哪些数据被认为是任务。
2021-09-07 cs.CY cs.LG
Quantifying Biases in Online Information Exposure
我们对在线信息的消费是由过滤、排名和推荐算法介导的,这些算法在试图提供相关和吸引人的内容时引入了无意的偏见。有人认为,我们对搜索引擎和社交媒体等在线技术的依赖可能会限制我们接触不同的观点,并使我们容易受到虚假信息的操纵。在本文中,我们挖掘了大量的Web流量数据集来量化两种偏见:(i)同质性偏见,这是消费内容的倾向,从一个狭窄的信息源,和(ii)流行性偏见,这是选择性地暴露于顶级网站的内容。我们的分析揭示了几个广泛使用的Web平台的不同偏见水平。搜索使用户接触到各种各样的来源,而社交媒体流量往往表现出高流行度和同质性偏见。当我们把分析重点放在新闻网站的流量上时,我们发现受欢迎程度的偏差更高,不同应用程序之间的差异更小。总的来说,我们的研究结果量化了我们对在线系统的选择在多大程度上将我们限制在“社交泡沫”中。"
2018-07-18 cs.CY cs.SI
Local variation of hashtag spike trains and popularity in Twitter
我们在标签时间序列和神经元尖峰序列之间画了一个平行线。在每种情况下,该过程都呈现复杂的动态模式,包括时间相关性、突发性和所有其他类型的非平稳性。我们建议采用所谓的局部变化,以揭示显着的动态,同时适当的去趋势的信号的时间相关的功能。该方法在真实和随机的主题标签尖峰列车上进行了测试,并确定流行的主题标签呈现定期和不那么突发的行为,这表明其在预测社交媒体在线流行度方面的潜在用途。
2015-05-14 cs.CY cs.SI
Predicting Student Performance Based on Online Study Habits: A Study of Blended Courses
在线工具为研究学生的学习习惯和解决问题的行为提供了独特的途径。在MOOC中,这些在线数据可用于通知教师并为学生提供自动指导。然而,这些技术可能不适用于面对面和在线组件的混合课程。我们报告的综合用户系统交互日志的研究,从3个计算机科学课程使用四个在线系统:LMS,论坛,版本控制,和家庭作业系统。我们的研究结果表明,学生很少在一个单一的会话中跨平台工作,最终的课堂表现可以从学生的系统使用预测。
2019-04-15 cs.CY
Predicting Positive and Negative Links in Online Social Networks
Stanford University(斯坦福大学);Cornell University(康奈尔大学)
我们研究在线社交网络,其中的关系可以是积极的(表示友谊等关系)或消极的(表示对立或对抗等关系)。这种积极和消极链接的混合出现在各种在线设置中;我们研究了Epperly,Slashdot和维基百科的数据集。我们发现,潜在的社交网络中的链接的迹象可以被预测的精度很高,使用模型,概括在这个不同的网站范围。这些模型提供了一些基本原则的见解,这些原则推动了网络中签名链接的形成,阐明了社会心理学中的平衡和状态理论;他们还提出了社交计算应用程序,通过这些应用程序,可以根据用户与周围社交网络其他成员的关系提供的证据来估计一个用户对另一个用户的态度。
2010-03-11 cs.AI cs.CY physics.soc-ph
STFU NOOB! Predicting Crowdsourced Decisions on Toxic Behavior in Online Games
竞争性游戏的玩家面临的一个问题是消极的或有毒的行为。最大的电子竞技游戏《英雄联盟》使用一个名为“法庭”的众包平台来判断被举报的有毒玩家是否应该受到惩罚。法庭是一个两阶段的系统,需要直接观察有毒行为的参与者和审查汇总报告的人类专家的报告。虽然这个系统通过基于许多投票的多数规则成功地处理了有毒行为的模糊性,但它自然需要巨大的成本,时间和人力。在本文中,我们提出了一种监督学习方法,用于预测大规模标记数据汇集的有毒行为的众包决策;超过1000万用户报告涉及146万有毒玩家和相应的众包决策。我们的研究结果在检测绝大多数案例和预测众包决策方面表现良好。我们证明了我们的分类器跨区域的良好的可移植性。最后,我们估计我们的方法,潜在的成本节约和受害者保护的实际影响。
2014-04-23 cs.CY cs.SI physics.soc-ph
Physical partisan proximity outweighs online ties in predicting US voting outcomes
University of Trento(特伦托大学);Fondazione Bruno Kessler (FBK)(布鲁诺·孔塞基金会)
该研究结合美国个体调查、共位与在线网络数据,通过统计建模发现物理空间的党派接触比在线、居住接触更能准确预测选举结果,且线下党派隔离程度更高,凸显物理空间对理解社交网络与政治行为的重要性。
2025-10-03 cs.CY cs.SI physics.soc-ph
A null model to detect coordinated online behavior integrating evidence from multiple indicators
Observatory on Social Media, Indiana University(印第安纳大学社会媒体观测站);Kellogg School of Management, Northwestern University(西北大学凯洛格管理学院);Information Sciences Institute, University of Southern California(南加州大学信息科学研究所)
针对协同在线行为检测的混淆因素,提出统计零模型框架,整合多指标及合作方的p值,在9个含超15.2万账户的标注信息操作数据集上提升了检测性能,为揭露此类行为提供了可泛化的统计工具。
2026-10-19 cs.CY cs.SI
Keeping Teams in the Game: Predicting Dropouts in Online Problem-Based Learning Competition
Indian Institute of Technology Bombay(印度理工学院孟买分校)
本研究利用在线PBL机器人竞赛中的讨论论坛活动和OSLQ问卷数据,通过机器学习算法预测团队退出行为,并验证了OSLQ的可靠性。
2023-12-27 cs.CY cs.HC cs.LG
CompetitiveBike: Competitive Prediction of Bike-Sharing Apps Using Heterogeneous Crowdsourced Data
近年来,许多城市都部署了自行车共享系统,这提供了一种经济的生活方式。随着共享单车系统的普及,很多公司加入市场,导致竞争越来越激烈。为了具有竞争力,自行车共享公司和应用程序开发人员需要为移动应用程序开发做出战略决策。因此,预测和比较不同共享单车应用的受欢迎程度具有重要意义。然而,现有的研究大多集中在预测单个应用程序的受欢迎程度,不同应用程序之间的受欢迎程度竞争尚未被探索。在本文中,我们的目的是预测中国两个最受欢迎的共享单车应用程序之间的流行竞争。我们开发了CompetitiveBike,一个预测自行车共享应用程序之间流行竞争的系统。最后,在11个应用商店和新浪微博的真实数据集上进行了实验,实验结果验证了该方法的有效性。
2018-02-15 cs.CY cs.HC
Predicting Information Pathways Across Online Communities
针对内容跨在线社区传播轨迹预测问题,本文构建 YouTube-Reddit 多模态数据集与社区影响力图,提出动态图框架 INPAC,并在热启动和冷启动场景中优于七个基线。
2023-06-04 cs.CY cs.SI
Conversations Gone Alright: Quantifying and Predicting Prosocial Outcomes in Online Conversations
Carnegie Mellon University(卡内基梅隆大学);The Hong Kong University of Science and Technology(香港科技大学);University of Michigan(密歇根大学);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在线对话可以有很多方向:有些是因为反社会行为而变得不好,而另一些则是对所有人都有利的。改善在线空间的研究主要集中在检测和减少反社会行为。然而,我们对在线对话的积极结果以及如何增加积极结果知之甚少亲社会结果仅仅是缺乏反社会行为还是更多?在这里,我们研究如何会话功能导致亲社会的结果在网上讨论。我们引入了一系列新的理论启发的指标来定义亲社会的结果,如指导和自尊增强。使用2600万Reddit对话的语料库,我们表明这些结果可以从在线对话的初始评论中预测,最佳模型在对预测结果进行排名时,比人类预测性能提高了24%。我们的研究结果表明,平台可以在早期对话的算法排名中使用这些早期线索,以优先考虑更好的结果。
2021-02-16 cs.CL cs.CY cs.SI
Behavior variations and their implications for popularity promotions: From elites to mass in Weibo
社交媒体在生产和消费信息方面的繁荣同时意味着在线用户影响力在决定内容受欢迎程度方面的关键作用。特别是,了解有影响力的精英和大众草根之间的行为差异是传播中的一个重要问题。然而,他们的行为如何在用户类别和内容领域之间变化,以及这些差异如何影响内容流行度,却很少得到解决。本文从七个内容领域的视角,从精英和大众两个角度,详细描绘了中国最流行的类Twitter服务之一微博的五个用户组的行为变化。有趣的是,精英们通过视频链接发布更多样化的内容,而大众拥有更高忠诚度的转发者。根据这些变化,面向用户的行动,提高内容的流行度进行了讨论和验证。最令人惊讶的发现是,内容的多样性并不总是带来更多的转发,大众和精英应该分别通过增加他们的转发次数和忠诚度来促进内容的流行。我们的研究结果首次证明了在社交媒体上推广流行度的高度个性化策略的可能性,而不是一个普遍的原则。
2020-04-12 cs.CY cs.SI
Likely to stop? Predicting Stopout in Massive Open Online Courses
Massachusetts Institute of Technology(麻省理工学院)
了解学生为什么会辍学将有助于了解学生如何在MOOC中学习。在这份报告中,作为3个单元纲要的一部分,我们描述了我们如何建立MOOC学生辍学的准确预测模型。我们记录了一个可扩展的,停止预测方法,端到端,从原始源数据模型分析。我们试图预测2012年秋季提供的6.002x的止损。这涉及到为数千名学生提取的超过25个预测特征的细致和众包工程,创建用于预测建模的时态和非时态数据表示,使用各种最先进的机器学习技术推导出超过1万个模型,并通过检查超过70000个模型来分析特征重要性。我们发现停止预测是一个容易处理的问题。当提前一周预测时,我们的模型实现了高达0.95(通常为0.88)的AUC(受试者工作特征曲线下面积)。即使是更困难的预测问题,例如仅用一周的数据预测课程结束时的停止,模型也达到了0.7的AUC。
2014-08-14 cs.CY cs.LG
Are All Successful Communities Alike? Characterizing and Predicting the Success of Online Communities
在线社区的激增为研究解释群体成功的机制创造了令人兴奋的机会。虽然越来越多的研究通过一个单一的措施来调查社区的成功-通常是成员的数量-我们认为有多种方法来衡量成功。在这里,我们提出了一个系统的研究,以了解这些成功的定义之间的关系,并测试如何以及他们可以预测的基础上,从社区的生命周期的最早期的社区属性和行为。我们确定了四个成功的措施,是可取的大多数社区:(一)成员数量的增长;(二)保留成员;(三)社区的长期生存;(四)量的社区内的活动。令人惊讶的是,我们发现,我们的措施并没有表现出非常高的相关性,这表明他们捕捉不同类型的成功。此外,我们发现,不同的成功措施预测的不同属性的在线社区,这表明成功可以通过不同的行为。我们的工作揭示了对在线社区中成功代表什么以及预测成功的基本理解。我们的结果表明,成功是多方面的,无法通过单一测量来衡量或预测。这一见解对创建新的在线社区和设计促进此类社区的平台具有实际意义。
2019-03-18 cs.CY cs.SI