SMTPD: A New Benchmark for Temporal Prediction of Social Media Popularity
本文构建了基于YouTube多模态内容的社交媒体时间流行度预测新基准SMTPD及基线框架，验证了时间对齐与早期流行度对预测的关键作用。
2025-03-06 cs.MM cs.SI
Contrastive Learning for Implicit Social Factors in Social Media Popularity Prediction
Tsinghua University（清华大学）；The University of Queensland（昆士兰大学）
本文研究了社交媒体流行度预测中未被充分探索的隐式社会因素，提出了内容相关性、用户影响力相似性和用户身份三种因素，并通过三个监督对比学习任务及相应的采样增强算法进行建模，实验验证了该方法的优越性。
2024-10-12 cs.AI cs.SI
Modeling Food Popularity Dependencies using Social Media data
Center for Urban Science + Progress（城市科学与进步中心）；New York University（纽约大学）
主要社交媒体平台的普及使人们能够分享有关日常生活的照片和文本信息。分享信息的热门话题之一是食物。由于许多关于食物的媒体都归因于特定的地点和餐馆，因此可以分析各种美食的时空流行度等信息。跟踪食品类型和零售地点在空间和时间上的受欢迎程度对企业主和餐馆投资者也很有用。在这项工作中，我们提出了一种方法，使用现成的机器学习技术，以确定趋势和流行的美食类型在一个地区使用地理标记的数据从社交媒体，谷歌图像和Yelp。在调整时间后，我们使用核密度估计来获得整个位置的热点，并使用贝叶斯网络对食物烹饪流行度之间的依赖关系进行建模。我们将纽约市曼哈顿区作为我们分析的地点，但该方法可用于任何具有社交媒体数据和零售业务信息的地区。
2019-12-10 cs.LG cs.SI stat.AP
A Coupled Friedkin-Johnsen Model of Popularity Dynamics in Social Media
本文提出一个广义的离散时间 Friedkin-Johnsen 动力学系统，建模社交媒体上影响者争夺流行度的演化过程，揭示了社会影响、过往流行度与内容质量对流行度的共同作用。
2025-06-30 cs.SI cs.SY eess.SY
On the Dynamics of Social Media Popularity: A YouTube Case Study
了解影响社交媒体流行动态的因素可以推动有效信息服务的设计，同时为内容生成器和在线广告商提供有价值的见解。以YouTube为案例研究，我们分析了视频流行度如何演变，因为上传，提取流行趋势的特点组的视频。我们还分析了导致用户观看视频的原因，将它们、视频的特征和早期流行度指标与视频的流行趋势和总流行度相关联。我们的研究结果提供了关于流行动态及其对广告和搜索等服务的影响的基础知识。
2014-10-17 cs.SI physics.soc-ph
DFW-PP: Dynamic Feature Weighting based Popularity Prediction for Social Media Content
IIIT Sri City（印度国际信息技术学院斯里城校区）；Shiv Nadar University（希夫纳达尔大学）
社交媒体平台的日益普及使得研究用户参与变得非常重要，这是任何营销策略或商业模式的重要方面。社交媒体平台上内容的过度饱和促使我们确定影响内容受欢迎程度的重要因素。这是因为只有极少量的海量在线内容能吸引目标受众的注意力。在流行度预测领域已经使用几种机器学习技术进行了全面的研究。然而，我们观察到，在分析媒体内容的社会重要性方面仍有很大的改进余地。我们提出了DFW-PP框架，以了解随着时间的推移而变化的不同功能的重要性。此外，所提出的方法通过应用对数-对数归一化来控制特征分布的偏度。所提出的方法进行了实验与基准数据集，显示出可喜的结果。该守则将在https://github.com/chaitnayabasava/DFW-PP上公布。
2021-10-16 cs.IR cs.LG cs.SI
Time Matters: Multi-scale Temporalization of Social Media Popularity
University of Chinese Academy of Sciences（中国科学院大学）；Microsoft Research（微软研究院）
社交媒体流行的演变表现出丰富的时间性，即，流行度以各种时间粒度级别随时间改变。这受到公众注意力或用户活动的时间变化的影响。例如，Flickr上的街拍流行模式被观察到在特定的时间尺度上描绘出独特的时尚风格，例如风衣的季节性周期性波动或晚礼服的一次性高峰。然而，这一事实往往被现有的流行度建模研究所忽视。我们提出了第一项研究，将多个时间尺度的动态预测在线流行。我们提出了一种新的计算框架，命名为多尺度时间，估计流行度的基础上多尺度分解和结构重建的张量空间中的用户，职位，和时间的联合低秩约束。通过考虑上下文不一致引起的噪声，我们设计了一个基于上下文聚合的数据重排步骤作为预处理，以增强张量空间中相邻数据的上下文相关性。因此，我们的方法可以利用多层次的时间特性，减少数据分解的噪声，以提高建模效率。我们评估我们的方法在两个大规模的Flickr图像数据集超过180万张照片，总的流行预测的任务。结果表明，我们的方法显着优于国家的最先进的流行预测技术，在预测精度方面的相对提高10.9%-47.5%。
2017-12-12 cs.AI cs.MM cs.SI
Political Popularity Analysis in Social Media
University of South Carolina（南卡罗来纳大学）
受欢迎程度是政治家及其政党在选举中获胜和实施其计划的关键成功因素。找到受欢迎背后的原因可以提供一个稳定的政治运动。本研究试图使用混合方法来测量Twitter的受欢迎程度。近年来，Twitter数据通过分析大量推文，为探索民意提供了绝佳的机会。这项研究收集并检查了与美国政治家参议员伯尼·桑德斯有关的450万条推文。这项研究调查了参议员在Twitter上受欢迎背后的八个经济原因。这项研究有利于政治家，信息学专家和政策制定者探索公众舆论。收集的数据也将用于进一步调查。
2018-12-08 cs.CL cs.CY cs.SI
Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity
在线内容流行度的建模和预测是信息传播、广告和消费实践中的一个重要问题。最近对大规模数据集的分析工作推进了我们对流行度的理解，但仍然存在一个主要的差距：精确量化在线商品的流行度与其收到的外部促销之间的关系。这项工作填补了Twitter等公共社交媒体平台的外源投入与YouTube等内容平台内的内源反应之间的缺失环节。我们开发了一个新的数学模型，霍克斯强度过程，它可以解释每个视频的复杂的流行历史，根据其类型的内容，网络的扩散，和推广的敏感性。我们的模型提供了一个视频的原型描述，称为内-外映射。这张图将流行度解释为一个外在因素的结果--视频收到的来自外部世界的促销数量，作用于两个内在因素--对促销的敏感性和内在的病毒性。我们使用这个模型来预测未来的受欢迎程度，并在5个月内对最受欢迎的视频进行促销，并发现它将基于受欢迎程度历史的方法的平均误差降低了28.6%。最后，我们可以识别出那些有很大潜力成为病毒式传播的视频，以及那些促销几乎没有任何效果的视频。
2017-09-08 cs.SI
Effect of Social Media on Website Popularity: Differences between Public and Private Universities in Indonesia
社交媒体已经成为通过网站加强社交网络和信息共享的重要因素。社交媒体不仅改变了社交网络，还为社会组织、行动主义、政治、医疗甚至大学的学术关系提供了宝贵的工具。研究人员进行本研究的目的是a）。研究大学对社交媒体的学术使用，b）。衡量大学拥有的社交媒体的受欢迎程度和知名度。这项研究只限于印度尼西亚的大学。研究对象包括公立和私立大学。样本量包括264所大学，他们的排名都包括在2012年7月版的Webometrics和4ICU中。研究的社交媒体包括Facebook、Twitter、Flicker、LinkedIn、Youtube、Wikipeda、博客、大学拥有的社交网络社区和开放式课程软件。本研究使用了一种数据汇集和测量的方法：使用Alexa和Majestic SEO。使用Pearson卡方检验分析社交媒体所有权，使用数据序和独立t检验社交媒体对网站流行度的影响。研究显示，大多数社交媒体用户使用Facebook，其次是Twitter。无论是否使用社交媒体，Alexa排名的受欢迎程度和Majestic SEO在大学中的可见性也存在最显着的差异。
2014-03-08 cs.CY cs.SI
Popularity Prediction for Social Media over Arbitrary Time Horizons
实时预测社交媒体内容的受欢迎程度需要在全球范围内有效运作的方法。流行度预测对于许多应用都很重要，包括检测有害病毒内容以实现及时的内容审核。预测任务是困难的，因为视图是用户兴趣、内容特征、再分享、提要排名和网络结构之间相互作用的结果。我们考虑的问题，准确地预测流行度在任何给定的预测时间，因为一个内容项的创建和任意的时间范围到未来。为了在不同的预测时间范围内实现高精度，模型必须使用静态特征（内容和用户）以及预测时间内观察到的流行度增长。我们提出了一种基于自激霍克斯点过程模型，它涉及预测的内容的流行程度在一个或多个参考视野与一个点预测的有效增长参数，反映了流行度增长的时间尺度的基础上，基于特征的方法。这导致在任意预测时间范围内进行流行度预测的高度可扩展的方法，与几个领先的基线相比，该方法在两个月内在Facebook上的公共页面内容的数据集上也实现了高度的准确性，覆盖了数十亿的内容视图和数十万个不同的内容项。该模型显示出与强基线相比具有竞争力的预测准确性，该基线由针对特定预测时间范围的单独训练的模型组成。
2021-12-22 cs.SI
The Pulse of News in Social Media: Forecasting Popularity
新闻报道的时效性很强。新闻项目之间也存在着尽可能广泛传播的激烈竞争。因此，预测社交网络上新闻项目的受欢迎程度的任务既有趣又具有挑战性。先前的研究已经处理了基于早期流行度来预测最终的在线流行度。然而，最理想的是在发布之前预测项目的受欢迎程度，从而促进做出适当决策以修改文章及其发布方式的可能性。在本文中，我们构建了一个多维的特征空间，来自一篇文章的属性，并评估这些功能的有效性，作为在线流行度的预测。我们研究了回归和分类算法，并证明了尽管人类行为具有随机性，但预测twitter上的受欢迎程度范围是可能的，总体准确率为84%。我们的研究还有助于说明传统上突出的来源和社交网络上非常流行的来源之间的差异。
2012-02-02 cs.CY cs.NI cs.SI
Strategic Expression, Popularity Traps, and Welfare in Social Media
Adam Smith Business School, University of Glasgow（格拉斯哥大学亚当·斯密商学院）；University of Luxembourg（卢森堡大学）
本文研究社交媒体中战略表达对流行度和福利的影响，揭示流行陷阱机制，并提出同质化算法可缓解其负面影响。
2026-03-01 cs.SI econ.GN q-fin.EC
Understanding Video-Ad Consumption on YouTube: A Measurement Study on User Behavior, Popularity, and Content Properties
面对吸引用户注意力和收入的挑战，社交媒体网站已经转向视频广告（video-ads）。虽然在传统媒体中，视频广告市场主要基于内容提供方和营销人员之间的互动，但在社交媒体中使用视频广告已经实现了更复杂的互动，其中还包括内容创建者和观众偏好。为了更好地理解这种新颖的设置，我们提出了YouTube上视频广告展览的第一个数据驱动分析。
2016-04-26 cs.SI
Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks
了解和预测在线项目的流行度是社会媒体分析中一个重要的开放性问题。最近在数据驱动的预测以及将受欢迎程度与外部促销联系起来方面取得了相当大的进展。然而，现有的方法通常专注于单一的外部影响源，而对于许多类型的在线内容，如YouTube视频或新闻文章，注意力是由多个异构源同时驱动的-例如微博或传统媒体报道。在这里，我们提出了RNN-MAS，一种用于异步流建模的递归神经网络。它是一个序列生成器，通过联合推理连接不同粒度的多个流。RNN-MAS不仅比目前最先进的Youtube流行度预测系统高出17%，而且还能捕捉复杂的动态，例如看不见的影响的季节性趋势。我们定义了两个新指标：推广分数量化了Youtube视频从一个推广单位中获得的受欢迎程度;响度级别捕捉了特定用户对视频的推文效果。我们使用响度水平来比较由一个高关注用户（在前1%的最关注用户中）推广的视频与由一组中等关注用户推广的视频的效果。我们发现，结果取决于推广的内容类型：超级用户在推广Howto和Gaming视频方面更成功，而普通用户群体对Activism视频更具影响力。这项工作提供了更准确和可解释的流行预测，以及计算工具，为内容生产者和营销人员分配资源的促销活动。
2018-04-10 cs.SI stat.ML
Discovering items with potential popularity on social media
预测在线内容的未来流行度在许多应用中非常重要。在无标度网络中存在偏好依附现象，受其影响，热门项目变得更受欢迎，从而导致长尾分布问题。因此，可能受欢迎的新项目（潜在项目）被已经受欢迎的项目所抑制。本文提出了一种新的模型，能够识别潜在的项目。它通过考虑最近收到的链接或评级的数量以及受欢迎程度的衰减来识别潜在的受欢迎项目。为了获得一个有效的模型，我们只考虑内容的时间特征，避免了提取其他特征的成本。我们发现，人们会追随同龄人最近的行为。在适合或质量项目已经流行的项目失去它的受欢迎程度。预测准确性是在三个工业数据集上测量的，即Movielens，Netflix和Facebook wall post。实验结果表明，与现有模型相比，该模型具有更好的预测精度。
2016-04-05 cs.IR cs.SI
Popularity Evolution of Professional Users on Facebook
社交媒体中的受欢迎程度是专业用户（例如公司，名人和公众人物等）的重要目标。一个简单而突出的衡量用户受欢迎程度的指标是她成功吸引到她的页面的粉丝或追随者的数量。受欢迎程度受几个因素的影响，确定它们是一个有趣的研究课题。本文旨在通过探索Facebook中专业用户的受欢迎程度演变来了解社交媒体中的这一现象。为此，我们实施了一个爬虫程序，并在14个月的时间里监测Facebook上8k个最受欢迎的专业用户的流行度演变趋势。收集的数据集包括约2000万个人气值和4300万个帖子。我们通过对用户的时间粉丝数量进行聚类，并从不同的角度（包括他们的类别和活动水平）研究他们，来表征不同的流行度演化模式。我们的观察表明，活跃和出名与流行趋势呈正相关。
2017-05-05 cs.SI
Scoring Popularity in GitHub
流行度和参与度是社交媒体平台的货币，是保持用户在线的强大强化机制。GitHub等社交编码平台具有双重用途：它们是实用的工具，可以促进软件开发人员之间的异步、分布式协作，同时还支持被动的社交媒体风格的交互。GitHub上有几种“喜欢”内容的机制：1）分叉存储库以复制其内容2）观看存储库以获得更新通知3）主演以表示批准。本文介绍了一项关于GitHub流行度的研究，并研究了这三种流行度量化指标之间的关系。我们引入了一个基于权重的流行度得分（WTPS），是从其他流行度指标的历史线提取。
2020-11-10 cs.SE cs.SI
Characterizing and Modeling the Dynamics of Activity and Popularity
社会化媒体是Web 2.0时代获取海量信息的最重要渠道，它是由用户和物品组成的两层网络。人类活动和项目受欢迎程度的动态是社交媒体网络中的一个关键问题。在本文中，通过分析用户活动和项目流行度的增长在四个经验的社会媒体网络，即，Amazon、Flickr、Delicious和Wikipedia，发现用户和物品之间的交叉链接更有可能由活跃用户创建，并被热门物品获取，其中用户活跃度和物品受欢迎程度是通过与用户和物品相关联的交叉链接数量来衡量的。这表明用户通常跟踪受欢迎的项目，总体而言。然而，它被发现，不活跃的用户更严重的跟踪流行的项目比活跃的用户。受实证分析的启发，我们提出了一个演化模型，这种网络的演化是由两步随机游走驱动的。数值实验表明，该模型可以定性地再现经验网络中观察到的用户活动和项目流行度的分布。这些结果可能有助于理解社交媒体网络中活动和流行的微观动态。
2014-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
Revisit Behavior in Social Media: The Phoenix-R Model and Discoveries
一个艺术家在网上电台会收到多少听众？在YouTube视频上播放怎么样？这些访问中有多少是新用户或老用户？建模和挖掘社交活动的流行动态对研究人员，内容创建者和提供者具有重要意义。我们在这里调查重访（一个用户连续访问）对内容流行度的影响。使用四个社交活动数据集，多达数千万个媒体对象（例如，YouTube视频，Twitter标签或LastFM艺术家），我们展示了重访对这些对象流行度演变的影响。其次，我们提出了Phoenix-R模型，该模型捕获了单个对象的流行动态。Phoenix-R具有以下理想特性：（1）简约，基于最小描述长度原则，并且比最先进的基线实现更低的均方根误差;（2）适用，该模型可有效预测对象的未来流行度值。
2014-06-22 cs.SI physics.soc-ph
PopFactor: Live-Streamer Behavior and Popularity
Twitch等直播视频流媒体平台使顶级内容创作者能够获得可观的利润和影响力。为此，向新进入者和那些寻求提高知名度和成功的人推荐各种行为规范。其中最重要的是简单地投入精力，并在社交媒体上推广，如Twitter，Instagram等。但是，遵循这些行为真的与最终的受欢迎程度有关系吗？在本文中，我们收集了一个语料库的Twitch流媒体流行的措施-跨越社会和金融措施-和他们的行为数据在Twitch和第三方平台。我们还编制了一套社区定义的行为规范。然后，我们进行时间分析，以确定增加的预测值，流媒体的未来行为有助于预测未来的流行度。在人口水平上，我们发现，行为信息提高了预测的相对增长超过中位数流光。在个人层面上，我们发现，虽然很难在绝对意义上迅速取得成功，但付出相当大努力的主播比其他人更成功，而且无论何时创建帐户，创建社交媒体帐户来宣传自己都是有效的。最终，我们发现，从长远来看，研究内容创作者的受欢迎程度和成功是一个有前途和丰富的研究领域。
2018-12-08 cs.SI
Strong Regularities in Growth and Decline of Popularity of Social Media Services
我们分析了时间序列中的一般趋势和模式，这些趋势和模式表征了对社交媒体服务和基于Web的业务的集体关注的动态。我们的研究基于Google Trends提供的搜索频率数据，并考虑了175种不同的服务。对于每项服务，我们收集来自45个不同国家的数据以及全球平均水平。通过这种方式，我们获得了8,000多个时间序列，并使用经济科学中的扩散模型进行了分析。我们发现，这些模型准确地描述了经验数据，我们的分析表明，对社交媒体的集体关注以高度规律和可预测的方式增长和消退。规则在不同的地区、文化和主题中持续存在，因此暗示了管理基于Web的服务的采用的一般机制。我们详细讨论了几个案例，以突出有趣的发现。我们的方法是经济利益，因为它们可以告知投资决策，并可以帮助评估在一般的生命周期的Web服务是在什么阶段。
2014-06-25 cs.SI physics.soc-ph
Popularity Prediction in Microblogging Network: A Case Study on Sina Weibo
预测内容的受欢迎程度对社交媒体网站的主机和用户都很重要。这一问题的挑战来自于内容普及程度的不平等。现有的流行度预测方法主要基于内容的质量、社交媒体网站突出内容的界面以及用户的集体行为。然而，很少有人注意到早期采用者所跨越的网络的结构特征，即，在内容传播的早期阶段观看或转发内容的用户。本文以新浪微博为例，实证研究了结构特征是否能为短消息流行提供线索。我们发现，早期采用者的结构多样性很好地反映了内容的受欢迎程度。实验结果表明，将结构多样性因素引入到现有方法中，可以显著提高预测精度。
2013-04-16 cs.SI physics.soc-ph
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
The POLUSA Dataset: 0.9M Political News Articles Balanced by Time and Outlet Popularity
报道政策问题的新闻文章是社会科学中的重要信息来源，也经常用于其他用例，例如，训练NLP语言模型。为了从新闻分析中获得有意义的见解，需要代表真实世界分布的大型数据集，例如，关于所包含的出口的受欢迎程度、局部或跨时间。经常需要关于媒体出版商政治倾向的信息，例如，研究政治领域新闻报道的差异，这是社会科学研究媒体偏见和相关社会问题时的主要用例之一。关于这些要求，现有的数据集存在重大缺陷，导致研究界在数据集创建方面的冗余和繁琐的工作。为了填补这一空白，我们提出了POLUSA，这是一个代表美国普通新闻消费者所感知的在线媒体格局的数据集。该数据集包含2017年1月至2019年8月期间由代表政治光谱的18家新闻媒体发表的90万篇文章。每一个出口都被贴上了政治倾向的标签，我们使用八个数据源的系统聚合来得出这一点。新闻数据集在出版日期和出口受欢迎程度方面是平衡的。POLUSA可以学习各种科目，例如，媒体效应和政治党派。由于其大小，数据集允许利用数据密集型深度学习方法。
2020-05-27 cs.DL cs.IR cs.SI
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
Sentiment and Hashtag-aware Attentive Deep Neural Network for Multimodal Post Popularity Prediction
针对现有多模态帖子流行度预测方法忽略多模态信息及跨模态关系的问题，提出NARRATOR模型，融合视觉人口统计特征、话题标签情感与话题标签引导注意力，在两个真实数据集上性能显著优于现有方法。
2024-12-14 cs.IR cs.SI
Analyzing X's Web of Influence: Dissecting News Sharing Dynamics through Credibility and Popularity with Transfer Entropy and Multiplex Network Measures
本研究针对X平台大规模网络中隐藏影响者难识别的问题，采用改进的传递熵非参数框架结合多层网络测度，分析三类重大事件中用户的新闻传播影响模式，发现可信新闻传播者偶尔使用不可信来源的不对称策略规律。
2024-07-12 cs.SI
Forecasting the Buzz: Enriching Hashtag Popularity Prediction with LLM Reasoning
针对话题标签流行度预测难题，提出BuzzProphet框架，利用LLM生成主题病毒性等推理增强特征，结合回归模型，在HashView基准上显著提升预测精度与相关性。
2025-10-09 cs.SI
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
Deciding what to display: maximizing the information value of social media
在信息丰富的环境中，对用户注意力的争夺导致了大量内容的泛滥，人们往往很难从中挑选出最相关、最有用的内容。使用Twitter作为案例研究，我们应用注意力经济的解决方案，以产生最翔实的推文，为用户。通过将推文的新颖性和受欢迎程度作为其相关性和实用性的客观衡量标准，我们使用Huberman-Wu算法自动选择在下一个时间间隔内获得最多关注的推文。他们预测的受欢迎程度通过使用为期2个月的Twitter数据得到证实。
2014-11-12 cs.CY cs.HC cs.SI
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
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
How to Become Instagram Famous: Post Popularity Prediction with Dual-Attention
随着越来越多的社交应用程序，人们越来越愿意在社交媒体平台上分享他们的日常照片和活动，如Facebook，Instagram和微信。在社交媒体数据采掘中，帖子流行度预测受到数据科学家和心理学家的广泛关注。现有的研究多侧重于探讨帖子在用户群体中的受欢迎程度，并综合考虑时间信息、用户连接、评论数等因素，但这些框架并不适合指导特定用户制作受欢迎的帖子，因为该用户的属性是固定的。因此，以前的框架只能回答“一个帖子是否受欢迎”的问题，而不能回答“如何通过受欢迎的帖子出名”的问题。在本文中，我们的目标是预测一个特定用户的帖子的流行程度和挖掘流行背后的模式。为此，我们首先从Instagram收集数据。然后，我们设计了一种方法来计算用户环境，表示特定用户很可能发布的内容。基于相关数据，我们设计了一个新的双注意力模型，将图像，字幕和用户环境。双注意模型基本上由两部分组成，图像-字幕对的外显注意和用户环境的内隐注意。设计了一个层次结构来连接外显注意部分和内隐注意部分。我们进行了一系列的实验来验证我们的模型的有效性，并调查的因素，可以影响流行。分类结果表明，我们的模型优于基线，统计分析确定了什么样的图片或标题可以帮助用户实现相对较高的“喜欢”数量。
2019-01-19 cs.SI
Popularity and Quality in Social News Aggregators: A Study of Reddit and Hacker News
在本文中，我们试图了解一篇文章的在线流行度与其内在质量之间的关系。先前的实验工作表明，质量和受欢迎程度之间的关系可能会由于社会影响力偏见和可见性不平等等因素而非常扭曲。我们在两个不同的社交新闻聚合器Reddit和Hacker News上进行了一项受欢迎程度的研究。我们将质量定义为如果每篇文章以无偏见的方式展示给相同数量的用户，则每篇文章将获得的相对投票数。我们提出了一个简单的泊松回归方法来估计这个质量指标的时间序列投票数据。我们在Reddit和Hacker News的数据以及之前工作的实验数据上验证了我们的方法。即使收集的数据受到常见的社交媒体偏见的影响，这种方法也很有效。使用这些估计，我们发现Reddit和Hacker News上的受欢迎程度比预期更能反映内在质量。
2015-01-30 cs.SI physics.soc-ph
Inspecting Interactions: Online News Media Synergies in Social Media
社交媒体的日益普及从根本上改变了新闻内容的传播方式，包括新层面的互动尝试。到目前为止，传统的新闻媒体，如报纸，电视和广播已经适应了他们的活动，通过利用社交媒体，博客，网站等在线新闻媒体。本文提供了一些洞察到全球流行的新闻媒体的社交媒体存在。尽管事实上，这些大型新闻媒体通过社会媒体环境传播内容在很大程度上，很少有人知道的新闻项目的生产者，供应商和消费者在社会媒体的新闻媒体社区，为了更好地了解这些互动，这项工作的目的是分析新闻项目在两个大型社会媒体，Twitter和Facebook。为此，我们收集了48家新闻媒体在Twitter和Facebook上发布的所有帖子，使用152 K tweets和80 K Facebook帖子的数据集进行描述性和预测性分析。我们探索了一组在社交媒体中自己创建内容的新闻媒体，那些将新闻发布到其他新闻媒体的媒体，以及那些从其他新闻媒体消费新闻内容和/或共享副本的媒体。我们提出了一个预测模型，以增加新闻媒体的普及读者的基础上的帖子数量，追随者数量和互动的数量在新闻媒体社区内进行。研究结果表明，新闻媒体应分散自身的内容，首先在社交媒体上发布，以成为受欢迎的新闻媒体，并获得更多的新闻读者对其新闻项目的吸引力。
2018-09-16 cs.SI
SMP Challenge: An Overview of Social Media Prediction Challenge 2019
Columbia University（哥伦比亚大学）；National Chiao Tung University（国立交通大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Microsoft Research Asia（微软亚洲研究院）；Sun Yat-sen University（中山大学）；University of Rochester（罗切斯特大学）
“SMP Challenge”旨在为社交多媒体上的大量数据发现新颖的预测任务，并寻求优秀的研究团队。通过社交多媒体数据进行预测（例如照片、视频或新闻）不仅可以帮助我们为未来做出更好的战略决策，还可以探索各种问题和场景的高级预测学习和分析方法，例如多媒体推荐、广告系统、时尚分析等。在ACM Multimedia 2019的SMP挑战赛中，我们引入了一个新的预测任务时间流行度预测，它专注于预测未来的互动或吸引力（点击，查看或喜欢等）。在社交媒体上发布新的在线帖子。我们还收集并发布了一个大规模的SMPD基准测试，其中包含来自69K用户的超过480K帖子。在本文中，我们定义的挑战问题，给出了数据集的概述，目前的数据和注释的丰富信息的统计和设计的准确性和相关性评估指标的时间流行度预测的挑战。
2020-01-21 cs.LG cs.MM cs.SI
Consistent, Central and Comprehensive Participation on Social Media
该研究将在线社区参与研究的重点转向对话树分析，提出三种衡量在线对话中一致性、核心性与全面性参与（CCCP）的方法，以实现对商议性参与的度量。
2023-06-12 cs.SI
Discourse-Aware Rumour Stance Classification in Social Media Using Sequential Classifiers
University of Warwick（华威大学）；Alan Turing Institute（艾伦·图灵研究所）；University of Sheffield（谢菲尔德大学）；University of Melbourne（墨尔本大学）；University of Copenhagen（哥本哈根大学）
谣言立场分类，定义为将特定社交媒体帖子的立场分类为支持，否认，质疑或评论早期帖子之一，正在成为研究人员越来越感兴趣的问题。虽然大多数以前的工作都集中在使用个人推文作为分类器的输入，在这里，我们报告的顺序分类器，利用社会媒体互动或“会话线程”固有的话语功能的性能。测试四个顺序分类器的有效性-霍克斯过程，线性链条件随机场（线性CRF），树结构条件随机场（树CRF）和长短期记忆网络（LSTM）-在与突发新闻故事相关的八个数据集上，并查看不同类型的本地和上下文特征，我们的工作为准确的立场分类器的开发提供了新的思路。我们发现，顺序分类器，利用社会媒体对话中的话语属性的使用，同时只使用本地功能，优于非顺序分类器。此外，我们还证明了使用精简特征集的LSTM可以优于其他顺序分类器;这种性能在数据集和立场类型之间是一致的。最后，我们的工作还分析了正在研究的不同特征，确定了那些最有助于识别和区分立场的特征，例如支持推文比否认推文更有可能伴随证据。我们还提出了一些未来研究的方向。
2017-12-06 cs.CL cs.SI
Popularity-Driven Networking
我们研究了网络中连通性的增长。在我们的模型中，从一组不相交的节点开始，按顺序添加链接。每条链路连接两个节点，控制这个随机过程的连接率与两个节点的度成正比。有趣的是，这个网络表现出两个突变，都发生在有限的时间。第一个是一个渗流过渡，其中一个巨大的组成部分，包含一个有限的分数的所有节点，出生。第二种是凝聚过渡，整个系统凝聚成一个单一的、完全连接的组件。我们得到的连接组件的大小分布以及度分布，这是纯粹的指数在整个进化。此外，我们提出了一般齐次连接率的突然凝聚的出现的一个准则。
2011-11-30 cond-mat.stat-mech cs.SI math.PR
Curating Social Media Data
University of New South Wales（新南威尔士大学）
社交媒体平台使现代人的脉搏民主化。由于其巨大的受欢迎程度和高使用率，社交媒体网站上发布的数据（例如，Twitter，Facebook和Tumblr）是一个丰富的信息海洋。因此，对社会印记的数据驱动分析已成为组织和政府进一步改善其产品和服务的重要资产。然而，由于社交媒体数据的动态性和噪声性，对原始数据进行准确分析是一项具有挑战性的任务。一个关键的要求是在输入分析管道之前对原始数据进行管理。这个策展过程将原始数据转换为上下文数据和知识。我们提出了一个数据整理管道，即CrowdCorrect，使分析师能够清理和整理社交数据，并为可靠的分析做好准备。我们的管道使用现有的内部工具从社交媒体数据库中自动提取特征提取。此外，我们还提供了一种使用自动化和众包方法的双重纠正机制。该管道的实现还包括一组用于自动创建微任务的工具，以促进人群用户在管理原始数据方面的贡献。为了这项研究的目的，我们使用Twitter作为我们的动机社交媒体数据平台，由于其受欢迎程度。
2020-02-21 cs.CV cs.SI
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
Cross-Pollination of Information in Online Social Media: A Case Study on Popular Social Networks
由于在线社交媒体（OSM）的普及，互联网用户每天都在OSM服务上和OSM服务之间共享大量信息（包括个人信息）。例如，在博客文章中嵌入YouTube视频并提供在Facebook上共享链接的选项是很常见的。用户推荐、评论和转发他们从朋友那里收到的信息，有助于在OSM服务中传播信息。我们将这种从一个OSM服务到另一个OSM服务的信息扩散过程称为交叉轮询，并将参与交叉轮询的用户和网络中产生的内容所形成的网络称为\emph{Cross-Pollinated network}。关于单OSM服务内的信息扩散的研究已经做了很多，但是关于交叉扩散的研究还很少。在本文中，我们的目的是填补这一空白，研究如何从三个流行的OSM服务（YouTube，Flickr和Foursquare）的信息（视频，照片，位置）在Twitter上扩散，最流行的微博服务。我们的研究结果表明，交叉授粉网络遵循扩散OSM（Twitter在我们的研究）的时间和拓扑特征。此外，源OSM（YouTube，Flickr和Foursquare）上的信息受欢迎程度并不意味着它在Twitter上的受欢迎程度。我们的研究结果还表明，Cross-Polarity在流量生成和用户参与方面帮助Twitter，但只有一小部分视频和照片从Twitter获得了大量的浏览量。我们相信这是第一个明确描述不同OSM服务之间信息扩散特征的研究工作。
2013-01-29 cs.SI physics.soc-ph
Political attitudes differ but share a common low-dimensional structure across social media and survey data
Sciences Po médialab（政治学院媒体实验室）；Complex Systems Institute of Paris Ile-de-France CNRS（巴黎法兰西岛复杂系统研究所）；École des Hautes Études en Sciences Sociales（社会科学高等学院）
研究发现社交媒体用户与一般公众的政治态度在低维结构上相似，但受活动性和流行度影响，极化程度影响态度分布的维度。
2026-03-02 cs.SI stat.AP
On the Limits to Multi-Modal Popularity Prediction on Instagram -- A New Robust, Efficient and Explainable Baseline
Technical University of Denmark（丹麦技术大学）；Microsoft Corporation（微软公司）
我们的全球人口在Instagram等平台上贡献视觉内容，试图以前所未有的速度表达自己并吸引观众。在本文中，我们重新审视了Instagram上的流行预测。我们提出了一个强大的，高效的，可解释的基线，基于人口的流行度预测，实现强大的排名性能。我们采用最新的方法在计算机视觉，以最大限度地提高信息提取的视觉模态。我们使用迁移学习来提取视觉语义，如概念，场景和对象，允许在广泛的，可解释的消融研究中进行新的审查。我们通知特征选择走向一个强大的和可扩展的模型，但也说明了功能的相互作用，在计算社会科学的进一步调查提供了新的方向。我们最强大的模型为Instagram上基于人口的流行度预测提供了下限。这些模型立即适用于社交媒体监控和影响者识别。
2021-02-20 cs.CV cs.SI
Stance Classification in Rumours as a Sequential Task Exploiting the Tree Structure of Social Media Conversations
University of Warwick（华威大学）；University of Sheffield（谢菲尔德大学）
谣言立场分类，即确定讨论谣言的集合中的每条推文是支持，否认，质疑还是简单地评论谣言的任务，一直吸引着大量的兴趣。在这里，我们介绍了一种新的方法，利用在Twitter的树结构的会话线程中观察到的转换序列。会话线程是通过收集用户对彼此的回复而形成的，这导致了嵌套的树状结构。以前的工作解决的立场分类任务处理每个鸣叫作为一个单独的单元。在这里，我们分析推文凭借其在序列中的位置，并测试两个顺序分类，线性链CRF和树CRF，其中每一个使不同的假设的会话结构。我们用8个Twitter数据集进行了实验，这些数据集是在突发新闻期间收集的，结果表明，利用Twitter对话的顺序结构比非顺序方法有了显着的改进。我们的工作是第一个以这种方式将Twitter对话建模为树结构，引入了一种新的方式来处理Twitter对话上的NLP任务。
2016-10-11 cs.CL cs.SI
An Image is Worth More than a Thousand Favorites: Surfacing the Hidden Beauty of Flickr Pictures
University of Turin（都灵大学）；Yahoo Labs（雅虎实验室）
社交媒体中的注意力动态往往遵循幂律。注意力集中在相对较少的受欢迎的项目上，而忽视了人群产生的绝大多数内容。虽然受欢迎程度可以表明一个项目在其社区内的感知价值，但以前的研究已经暗示了这样一个事实，即受欢迎程度不同于内在质量。结果，低可见度但高质量的内容潜伏在流行度分布的尾部。这种现象在照片分享社区中尤为明显，在那里，不高度参与在线社交互动的有价值的摄影师贡献了高质量的照片，但这些照片仍然看不见。我们建议使用一种计算机视觉方法来从巨大的接近零人气的项目池中呈现美丽的图片，并在Flickr上的一个大型创意共享照片数据集上进行测试。通过收集Flickr图像的美学分数的大量众包地面真理，我们表明，我们的方法检索的照片，其中值感知的美丽分数等于最流行的，其平均值仅低1.5%。
2015-05-15 cs.CV cs.CY cs.MM
A Survey on Social Media Anomaly Detection
USC（南加州大学）；Google（谷歌）；IBM Research（IBM研究院）
社交媒体异常检测对于防止欺凌、恐怖袭击策划和欺诈信息传播等恶意活动至关重要。随着社交媒体的普及，新的异常行为出现，引起了各方的关注。虽然大量的工作一直致力于传统的异常检测问题，我们观察到的研究兴趣激增，在新的领域的社会媒体异常检测。在本文中，我们提出了一个调查现有的方法来解决这个问题。我们关注社交媒体中的新型异常现象，并回顾最近开发的检测这些特殊类型异常的技术。我们提供了一个问题域的一般概述，常见的配方，现有的方法和潜在的方向。通过这项工作，我们希望引起研究界对这个具有挑战性的问题的关注，并开辟我们未来可以贡献的新方向。
2016-02-17 cs.LG cs.SI
Tracking the History and Evolution of Entities: Entity-centric Temporal Analysis of Large Social Media Archives
2015年希腊总理的声望如何演变？在那个时期，人们对他的主要看法是如何变化的？是否有任何有争议的子时期？在这段时间里，还有哪些实体与他有关？要回答这些问题，需要分析有关查询实体的存档文档和数据，例如旧新闻文章或社交媒体档案。特别是，用户生成的内容张贴在社交网络，如Twitter和Facebook，可以被视为我们的社会的综合文件，因此，有意义的分析方法，这些存档的数据是社会学家，历史学家和其他感兴趣的各方谁想要研究的历史和演变的实体和事件的巨大价值。为此，在本文中，我们提出了一个以实体为中心的方法来分析社会媒体档案，我们定义的措施，允许研究实体如何反映在社会媒体在不同的时间段和不同的方面，如流行，态度，争议，并与其他实体的连接。一个使用四年的大型Twitter档案的案例研究说明了这种以实体为中心的多方面分析可以获得的见解。
2018-10-24 cs.DL cs.IR cs.SI
Event-aware analysis of cross-city visitor flows using large language models and social media data
The University of Hong Kong（香港大学）；The Hong Kong Polytechnic University（香港理工大学）
本研究提出结合大语言模型与社交媒体数据的事件感知跨城客流分析框架，提取活动特征并预测客流，经香港案例验证R²超85%，揭示不同活动与出行方式的异质性影响，为交通政策制定提供支撑。
2025-05-05 cs.SI
Government and Social Media: A Case Study of 31 Informational World Cities
政府越来越多地使用社交媒体平台来促进用户互动。特别是在信通技术基础设施得到加强的城市（即，信息世界城市）和高互联网渗透率，社交媒体平台是接触大量公民的宝贵工具。这项对31个信息世界城市的实证调查将概述用于政府目的的社交媒体服务，它们在政府中的受欢迎程度，以及它们在网上广播信息中的使用强度。
2014-02-28 cs.CY cs.DL cs.SI
Graph Representation Learning for Popularity Prediction Problem: A Survey
University of Texas at Dallas（德克萨斯大学达拉斯分校）；Beijing Normal University（北京师范大学）；BNU-HKBU United International College（北京师范大学-香港浸会大学联合国际学院）
本文综述了图表示学习在流行度预测问题中的应用，将相关文献分为基于嵌入和深度学习两大类，比较了各模型性能并讨论了未来挑战与机遇。
2022-07-01 cs.LG cs.SI
FNR: A Similarity and Transformer-Based Approach to Detect Multi-Modal Fake News in Social Media
Sharif University of Technology（谢里夫理工大学）
社交媒体的可用性和互动性使其成为全球新闻的主要来源。社交媒体的普及诱使犯罪分子通过使用诱人的文字和误导性的图像制作和传播假新闻来追求他们的不道德意图。因此，验证社交媒体新闻和发现假货至关重要。这项工作旨在分析社交媒体中文本和图像的多模态特征，以检测假新闻。我们提出了一个假新闻揭示器（FNR）的方法，利用变换学习提取上下文和语义特征和对比损失，以确定图像和文本之间的相似性。我们在两个真实的社交媒体数据集上应用了FNR。实验结果表明，与以往的方法相比，该方法在检测假新闻方面具有更高的准确率。
2021-12-02 cs.CY cs.LG cs.MM
Opinion modeling on social media and marketing aspects
我们介绍和讨论动力学模型的意见形成社交网络中的分布函数取决于双方的意见和连接的代理。意见形成模型随后与描述通过社交网络在网络上传播产品的受欢迎程度的动力学模型相耦合。对基本动力学模型的数值实验表明，与社交媒体网站上的标签趋势的一些测量结果有很好的定性一致性，并说明了公司如何利用网络结构来最好地获得其产品的广告。
2018-05-04 cs.SI nlin.AO physics.soc-ph
