TrendLearner: Early Prediction of Popularity Trends of User Generated Content
我们在这里关注的问题，尽早预测用户生成内容（UGC）的流行趋势。以YouTube视频为例，我们提出了一种新的两步学习方法：（1）从以前上传的对象中提取流行趋势，（2）预测新内容的趋势。与以前的工作不同，我们的解决方案明确地解决了预测准确性和预测后对内容的剩余兴趣之间的固有权衡，并在每个对象的基础上解决了它。我们的实验结果表明，我们的解决方案的替代品，其适用性，以提高国家的最先进的流行预测方法的准确性有很大的改善。
2016-02-14 cs.IR cs.SI
Leveraging Prompt-Based Large Language Models: Predicting Pandemic Health Decisions and Outcomes Through Social Media Language
Virginia Tech（弗吉尼亚理工大学）；Cornell University（康奈尔大学）
提出基于提示LLM的RBIC多步推理框架，从反防疫Reddit讨论中提取并追踪要旨，分析其在线参与影响及与疫苗接种、住院趋势的关联。
2024-03-01 cs.AI cs.CL cs.HC
Predicting the evolution of complex networks via local information
几乎所有现实世界的网络都在不断演化，大量不断演化的网络已经被研究，以揭示其内在机制，从而更深入地理解它们的组织和发展。与演化机制探索的实证研究迅速展开相比，与演化机制相对应的未来链接预测方法却相对匮乏。现实世界的信息总是包含着下一步会发生什么的暗示，在观察到的进化网络中也是如此。在本文中，我们首先提出了一个结构依赖的索引，以加强链接预测方法的鲁棒性。然后，我们把观察到的链接和他们的时间戳在不断发展的网络作为已知的信息。我们将进化网络视为动态系统，并对节点相似性的进化动态进行建模。通过迭代更新节点的网络位置，揭示了网络演化的潜在趋势，提高了未来链路预测的准确性。实验结果表明，该索引在实际网络中的性能优于基线方法，时空位置漂移模型在实际网络中的性能也较好。
2016-04-08 cs.SI physics.soc-ph
Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用，包括推断个人在社交网络中的影响力或成功，以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性，但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而，当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性，我们集中在本文的程度中心性。我们开发了一种方法，调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明，建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是，我们的分析表明，在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势，充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义，需要预测的应用程序，一个节点的未来度中心，以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
Predicting the popularity of information on social platforms without underlying network structure
本研究基于微信和微博数据，提出激活-衰减（AD）算法，仅凭早期转发量即可准确预测社交平台信息长期流行度，并发现峰值转发量与总传播量强相关，优于现有基线方法。
2023-06-21 cs.SI physics.soc-ph
Balotage in Argentina 2015, a sentiment analysis of tweets
Universidad Nacional de Chilecito（智莱西托国立大学）；KUNAN；Universidad Nacional Experimental del Táchira（塔奇拉国立实验大学）
Twitter的社交网络包含了大量的信息产生的用户。这些信息由可能反映社会行为趋势的意见和评论组成。当有可能确定许多人共同的观点和评论时，就会谈到趋势。为了确定两个或多个书面意见是否共享同一地址，使用了自然语言处理（NLP）技术。本文提出了一种基于社会行为的情感分析函数NLP的Twitter预测方法。该案例研究选择了2015年阿根廷总统选举，并使用了由Vertica数据库组成的软件架构Big Data，其中包含称为Pulse的组件。通过分析，有可能发现总统候选人的投票意向趋势，在预测方面比传统系统调查更准确。
2016-11-07 cs.CL cs.IR cs.SI
MIDMod-OSN: A Microscopic-level Information Diffusion Model for Online Social Networks
由于在线社交网络继续被普遍用于向公众传播信息，了解支配信息扩散的现象对于许多与安保和安全相关的应用至关重要，例如在危机和自然灾害期间最大限度地传播信息和遏制错误信息。在这项研究中，我们假设的功能，有助于在网上社交网络的信息扩散的显着影响所研究的事件类型。我们将Twitter事件分类为信息或趋势，然后探索与信息传播相关的节点到节点的影响力动态。我们建立了一个基于贝叶斯逻辑回归的学习和预测模型和随机森林的特征选择。真实世界数据集的实验结果表明，该模型优于最先进的扩散预测模型，在信息事件中达到93%的准确率，在趋势事件中达到86%。我们观察到，信息和趋势事件的模型显着不同，无论是在扩散过程中，并在用户的功能，管理扩散。我们的研究结果表明，追随者在扩散过程中起着重要的作用，它是可能的，而不必计算反应的数量，使用用户的扩散和OSN行为预测的趋势字符的消息。
2020-03-04 cs.SI physics.soc-ph
A Bayesian approach for predicting the popularity of tweets
我们预测在被称为Twitter的微型博客网站上创建的短消息（称为tweets）的流行程度。我们通过推文转发的时间序列路径来衡量推文的受欢迎程度，也就是人们转发推文的时间。我们开发了一个概率模型，使用贝叶斯方法的转发的演变，并形成预测只使用观察的转发时间和本地网络或“图”结构的转发。我们获得了良好的提前预测和最终总转发数的预测，即使只有一小部分（即，小于十分之一）的转发路径被观察到。这意味着在发布推文的几分钟内就可以做出很好的预测，并对理解社交网络中更广泛的想法、模因或趋势的传播具有潜在的影响。
2014-11-24 cs.SI physics.soc-ph stat.AP
Modeling Trend Dynamics with Variational Neural ODEs for Information Popularity Prediction
Northwestern Polytechnical University（西北工业大学）
VNOIP通过变分神经ODEs建模信息流行度趋势，结合注意力机制和知识蒸馏损失，提升预测准确性和效率。
2026-03-10 cs.SI
The wisdom of the few: Predicting collective success from individual behavior
我们是否可以通过只监控一小部分人的行为来预测表现最好的产品、服务或企业？虽然大多数以前的研究都集中在具有许多社交联系的“枢纽”个人的预测能力上，但解决这个问题所需的客户行为数据来源仍然不清楚，主要是由于同时捕获个人购买模式和社交互动的可用数据集的稀缺性。在这里，我们在一个独特的大规模数据集中解决了这个问题，该数据集将个人的信用卡购买历史与整个国家的社会和移动特征相结合。令人惊讶的是，我们发现，仅购买历史就可以检测到一小群“发现者”，他们的早期购买为他们访问的实体店提供了可靠的成功预测。与大多数现有的口碑传播研究的假设相反，由社交网络中心性选择的枢纽并不能始终如一地预测成功。我们的研究结果表明，能够访问大规模采购数据的公司和组织可以检测发现者，并利用他们的行为来预测市场趋势，而不需要社交网络数据。
2020-06-09 cs.CY cs.SI physics.soc-ph
Style in the Age of Instagram: Predicting Success within the Fashion Industry using Social Media
时尚是一个价值数十亿美元的产业，在全球范围内具有社会和经济影响。为了获得知名度，品牌希望由最受欢迎的模特代表。由于新面孔是使用严格的（经常受到批评的）美学标准选择的，因此信息级联和其他基本的趋势设定机制使\emph{a priori}预测变得困难。然而，社交媒体在行业内外的使用越来越多，可能会影响这一传统系统。因此，我们试图了解Instagram时代时尚模特成功的因素。结合来自全面的在线时尚数据库和流行的移动图像共享平台的数据，我们应用机器学习框架来预测2015年春季、//和夏季的一批新面孔在随后的2015-16年秋季、//和冬季的任期。我们的框架成功地预测了2015年出现的大多数新的流行模型。特别是，我们发现，强大的社交媒体存在可能比与顶级机构签订合同或行业追求的美学标准更重要。
2015-08-18 cs.CY cs.SI physics.soc-ph
Group-Node Attention for Community Evolution Prediction
George Mason University（乔治梅森大学）
社交网络中的社区随着人们进入和离开网络以及他们的活动行为的改变而随着时间而发展。预测群落结构随时间变化的任务被称为群落进化预测。这一领域的现有工作侧重于制定界定事件的框架，同时使用传统的分类方法进行实际预测。我们提出了一种新的图神经网络预测社区演化事件的结构和时间信息。该模型（GNAN）包括一个组节点关注组件，该组件支持可变大小的输入，并基于成员和邻居节点特征学习组的表示。与标准的基线方法进行比较评估，我们证明，我们的模型优于基线。此外，我们还展示了网络趋势对模型性能的影响。
2021-07-09 cs.LG cs.SI physics.soc-ph
Brief state of the art in social information mining: Practical application in analysis of trends in French legislative 2024
本文综述社交媒体挖掘技术，并运用NLP分析AgoraVox平台数据，揭示2024年法国立法选举中国民联盟的高社交参与度及LLM在舆情预测中的价值。
2024-07-11 cs.CL cs.CY cs.SI
Will You Dance To The Challenge? Predicting User Participation of TikTok Challenges
Carnegie Mellon University（卡内基梅隆大学）；National University of Singapore（新加坡国立大学）；Singapore University of Technology and Design（新加坡科技设计大学）
TikTok是一种流行的新型社交媒体，用户通过短视频片段表达自己。平台上一种常见的互动形式是参与“挑战”，这是用户可以模仿的歌曲和舞蹈。挑战传染可以通过复制范围来衡量，即，用户上传他们参与挑战的视频。挑战内容和用户偏好都在不断演变的TikTok平台的独特性，需要挑战和用户代表性的结合。本文通过预测用户的参与度来研究TikTok挑战的社会传染。我们提出了一种新的深度学习模型deepChallenger，用于学习和结合过去视频中的潜在用户和挑战表示来执行此用户挑战预测任务。我们收集了来自ForYouPage上12个趋势挑战的7，000多个视频的数据集，以及来自1303个用户的10，000多个视频。进行了大量的实验，结果表明，我们提出的deepChallenger（F1=0.494）在预测任务中优于基线（F1=0.188）。
2021-12-26 cs.LG cs.MM cs.SI
Measuring, Predicting and Visualizing Short-Term Change in Word Representation and Usage in VKontakte Social Network
社交媒体中的语言是非常动态的：新词出现，趋势和消失，而现有单词的含义可以随着时间的推移而波动。这种动态在危机时期尤其明显。这项工作解决了几个重要的任务，测量，可视化和预测短期文本表示的转变，即一个词的上下文语义的变化，并将这种转变与表面水平的词动态，或概念漂移，在社交媒体流中观察到的。与以前从文本中学习单词表征的方法不同，我们研究了短期概念漂移与大型社交媒体语料库-2014-2015年俄罗斯-乌克兰危机期间收集的俄语VKontakte帖子之间的关系。我们的新贡献包括定量和定性的方法，以（1）测量短期的表征转移，并将其与表面水平的概念漂移进行对比;（2）建立预测模型，预测从先前的意义以及从概念漂移的短期意义转移;（3）视觉化短-术语表示例如关键词的转移来展示我们的方法的实际使用，以发现和跟踪社交媒体中新出现的术语的含义。我们发现，短期的代表性转变可以准确地预测到几个星期前。我们在社交媒体中建模和可视化单词表示变化的独特方法可用于在危机事件期间探索和表征流媒体语料库的特定方面，并可能改善其他下游分类任务，包括实时事件检测。
2017-03-21 cs.SI
Applying Social Media Intelligence for Predicting and Identifying On-line Radicalization and Civil Unrest Oriented Threats
研究表明，互联网上的各种社交媒体平台，如Twitter、Tumblr（微型博客网站）、Facebook（一个流行的社交网站）、YouTube（最大的视频分享和托管网站）、博客和讨论论坛，正被极端主义团体滥用，用于传播其信仰和意识形态、促进激进化、招募成员和创建共享共同议程的在线虚拟社区。在规划和动员与民间动乱有关的活动期间，Twitter等受欢迎的微博网站被用作信息共享和沟通的实时平台。应用社交媒体情报预测和识别在线激进化和内乱威胁是过去10年来吸引了一些研究人员关注的一个领域。在现有文献中已经提出了几种算法，技术和工具来对抗和打击网络极端主义，并提前预测与抗议相关的事件。在本文中，我们对所有这些现有技术进行了文献综述，并进行了全面的分析，以了解最新技术，趋势和研究差距。我们提出了一个类分类的方法来收集针对我们的研究范围的主题和副主题的学术文章。我们对大约100篇会议和期刊论文进行了表征，分类和深入的Meta分析，以更好地了解现有文献。
2015-11-21 cs.CY cs.SI
Research topic trend prediction of scientific papers based on spatial enhancement and dynamic graph convolution network
Beijing University of Posts and Telecommunications（北京邮电大学）
近年来，随着社会科研投入的增加，各领域研究成果数量大幅增加。准确、有效地预测未来研究主题的发展趋势，可以帮助研究者发现未来的研究热点。但由于各种研究主题之间的关联性日益紧密，大量研究主题之间存在一定的依存关系。孤立地看待单个研究主题，采用传统的序列问题处理方法，不能有效地探索这些研究主题之间的空间依赖关系。为了同时捕捉研究主题之间的空间依赖性和时间变化，我们提出了一种基于深度神经网络的研究主题热度预测算法--时空卷积网络模型。我们的模型结合了图卷积神经网络（GCN）和时间卷积网络（TCN），具体地说，GCN用于学习研究主题a的空间依赖性，并使用空间依赖性来加强空间特征。TCN用于了解研究主题趋势的动态。优化是基于时间距离的加权损失计算。在论文数据集上与当前主流的序列预测模型和同类时空模型进行对比实验，结果表明，在研究主题预测任务中，该模型能够有效地捕捉时空关系，预测结果优于最新基线。
2022-03-30 cs.AI cs.IR cs.SI
CasGCN: Predicting future cascade growth based on information diffusion graph
Renmin University of China（中国人民大学）；University of Liverpool（利物浦大学）；Loughborough University（拉夫堡大学）
突然爆发的信息级联，可能会导致极端观点、时尚潮流的改变、谣言的不可控传播等意想不到的后果。如何有效地预测未来的级联规模，特别是对于Twitter和微博等社交媒体平台上的大规模级联，已经成为一个重要的问题。然而，现有的方法是不够的，在处理这个具有挑战性的预测问题。传统的方法严重依赖于手工制作的特征或不切实际的假设。端到端的深度学习模型（例如循环神经网络）不适合直接处理图形输入，并且无法处理嵌入在级联图中的结构信息。在本文中，我们提出了一种新的用于级联增长预测的深度学习架构，称为CasGCN，它采用图卷积网络从图形输入中提取结构特征，然后在进行级联大小预测之前对提取的特征和时间信息应用注意力机制。我们在两个真实世界的级联增长预测场景（即，实验结果表明，CasGCN算法的性能优于几种基线算法，尤其是在大规模级联时。
2020-09-10 cs.LG cs.SI
