How a user's personality influences content engagement in social media
社交媒体为人们提供了一个分享他们认为重要，有趣或值得注意的内容的机会。没有一个单一的内容会吸引所有的用户，但是用户之间是否存在系统性的差异，可以帮助我们更好地理解信息传播？我们进行了一项实验，探索在灾难场景中社交媒体的使用，结合脑电图（EEG），个性调查和分享社交媒体的提示，我们展示了个性如何不仅驱动与社交媒体互动的意愿，还有助于确定用户认为哪种类型的内容引人注目。正如预期的那样，外向的人更有可能分享内容。相比之下，我们的一个核心结果是，抑郁人格的人最有可能分享信息内容，如新闻或警报。因为朋友之间的性格和情绪通常会通过同质性高度相关，我们的结果可能是理解社会传染的重要因素。
2016-09-01 cs.HC cs.SI
When Point Process Meets RNNs: Predicting Fine-Grained User Interests with Mutual Behavioral Infectivity
预测具有时态行为的用户的细粒度兴趣对于个性化和信息过滤应用是重要的。然而，现有的兴趣预测方法无法捕捉用户对特定项目的细微程度的兴趣，和内部时变漂移的个人注意力尚未研究。此外，预测过程还可能受到人际影响的影响，称为行为相互感染。受时间点过程建模中的点过程的启发，本文提出了一种基于两个递归神经网络（RNN）的深度预测方法，在用户间行为相互感染的背景下，对每个用户的连续浏览历史和异步事件序列进行联合建模。我们的模型是能够预测细粒度的兴趣，从用户对一个特定的项目和相应的时间戳时，发生的事件。该方法利用时间点过程对事件数据进行建模，并利用RNN及时更新强度函数，从而更灵活地捕捉事件序列的动态特性。此外，为了提高模型的可解释性，引入了注意力机制，强调随着时间的推移，个人和个人之间的行为影响。在真实数据集上的实验表明，我们的模型在细粒度用户兴趣预测方面优于现有的方法。
2017-10-22 cs.LG cs.SI stat.ML
Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia for Human Personality Profiling
ITMO University（圣光机大学）；SUSS School of Business（新跃社科大学商学院）；SoMin.ai Research（SoMin.ai研究院）
人类的性格特征是我们决策背后的关键驱动力，每天影响着我们的生活道路。人格特质的推断，例如Myers-Briggs人格类型，以及对人格特质和用户在各种社交媒体平台上的行为之间的依赖关系的理解，对于现代研究和行业应用至关重要。多样化和跨目的社交媒体途径的出现使得基于跨多种数据模态表示的数据自动且有效地执行用户个性分析成为可能。然而，从多源多模态社交媒体数据中进行个性分析的研究工作相对较少，不同社交网络数据对机器学习性能的影响程度还有待全面评估。此外，在研究界没有这样的数据集来进行基准测试。这项研究是弥合这一重要研究差距的首次尝试之一。具体来说，在这项工作中，我们推断迈尔斯-布里格斯人格类型指标，通过应用一种新的多视图融合框架，称为“PERS”，并比较性能结果不仅跨数据模态，而且相对于不同的社交网络数据源。我们的实验结果表明，PERS的学习能力，从多视图数据的个性分析，有效地利用显着不同的数据来自不同的社会多媒体来源。我们还发现，在选择社交网络数据源时，选择机器学习方法至关重要，人们倾向于在不同的社交媒体渠道中揭示他们个性的多个方面。我们发布的社交多媒体数据集促进了这一方向的未来研究。
2021-06-20 cs.LG cs.MM cs.SI
Predicting Opioid Relapse Using Social Media Data
Texas Tech University（得克萨斯理工大学）
阿片类药物成瘾在美国是一个严重的公共卫生威胁，导致大量死亡和许多社会问题。准确的复发预测对于恢复中的患者具有实际重要性，因为复发预测促进及时的复发预防，帮助患者保持清洁。在本文中，我们引入了一种生成对抗网络（GAN）模型，根据情感图像和社会影响来预测成瘾复发。来自Reddit.com的真实社交媒体数据的实验结果表明，GAN模型提供了比可比的替代技术更好的性能。由该模型生成的情感图像显示，复发与两种情绪“快乐”和“消极”密切相关。这项工作是使用大量社交媒体数据和生成对抗网络预测复发的首次尝试之一。该方法结合社交媒体挖掘的知识，有可能彻底改变阿片类药物成瘾预防和治疗的实践。
2018-11-14 cs.LG cs.SI stat.ML
Predicting the Factuality of Reporting of News Media Using Observations About User Attention in Their YouTube Channels
Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立理工学院）；Qatar Computing Research Institute（卡塔尔计算研究所）；HBKU（哈马德·本·哈利法大学）
我们提出了一个新的框架，通过研究YouTube频道的用户注意力周期来预测新闻媒体报道的真实性。特别是，我们设计了一组丰富的功能，这些功能来自视频的视图，喜欢，不喜欢和评论的数量的时间演变，然后我们将其聚合到频道级别。我们为这项任务开发并发布了一个数据集，其中包含对489家新闻媒体的YouTube频道的用户关注度的观察。我们的实验表明，国家的最先进的文本表示的互补性和相当大的改进。
2021-08-27 cs.CL cs.IR cs.LG
Amplifying Your Social Media Presence: Personalized Influential Content Generation with LLMs
本文研究LLMs能否生成个性化影响力内容以放大社交媒体影响力，通过将底层网络结构信息注入提示中设计结构感知的提示策略，实验验证了该方法能有效提升帖子影响力。
2025-05-03 cs.SI
From Post To Personality: Harnessing LLMs for MBTI Prediction in Social Media
Beijing Institute of Technology（北京理工大学）；The Chinese University of Hong Kong（香港中文大学）
针对大语言模型幻觉及MBTI类别分布不均两大挑战，提出融合检索增强生成与合成少数类过采样的PtoP框架，在社交媒体MBTI预测任务上超越10种基线，达到当前最优性能。
2025-08-28 cs.CL cs.SI
Modeling of User Portrait Through Social Media
如今，互联网上已经积累了大量有用的用户信息和社会行为数据，这为在线分析用户的个性特征提供了可能。本文提出了一种基于计算语言学特征的心理建模方法，对新浪微博用户的大五人格特质及其与用户社会行为的关系进行了研究。据我们所知，这是第一个调查新浪微博用户的个人资料信息，社交网络行为和人格特质之间的潜在关系的研究。我们的研究结果证明了一种有效的建模方法，可以在不中断客户的情况下了解社交媒体上用户的人口统计和心理画像，这对于商业广告提供更好的个性化产品和服务是有用的。
2019-06-15 cs.SI
25 Tweets to Know You: A New Model to Predict Personality with Social Media
IBM Research - Almaden（IBM阿尔马登研究中心）
预测个性对于支持以人为中心的活动的社交应用是必不可少的，然而具有用户书面文本的现有建模方法需要太多的输入数据以在社交媒体的上下文中实际使用。在这项工作中，我们的目标是大幅减少个性建模的数据需求，并开发一个适用于Twitter上大多数用户的模型。我们的模型集成了词嵌入功能与高斯过程回归。基于对Twitter上超过1.3K用户的评估，我们发现我们的模型在数据少8倍的情况下达到了与最先进技术相当或更好的准确性。
2017-04-18 cs.AI cs.CL cs.HC
EVOLVE: Predicting User Evolution and Network Dynamics in Social Media Using Fine-Tuned GPT-like Model
School of Computing（计算机学院）；Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）
本研究提出一种基于微调仅解码器类GPT模型（E-GPT）的预测方法，用于预测社交媒体用户演化及网络动态变化，并解决推荐系统等挑战。
2024-07-12 cs.IR cs.LG cs.SI
Transformative Influence of LLM and AI Tools in Student Social Media Engagement: Analyzing Personalization, Communication Efficiency, and Collaborative Learning
University of Virginia（弗吉尼亚大学）
本文基于UniversityCube数据，通过案例与统计分析，探究LLM和AI工具对学生社交媒体使用的变革作用，阐明其在提升学业表现、优化沟通协作、打造优质教育环境等方面的教育与社交价值。
2024-12-11 cs.CL cs.CY cs.LG
Reducing the rate of personal insults in social media with bystander bots
University of Michigan（密歇根大学）；University of South Florida（南佛罗里达大学）
本研究在Reddit上进行随机对照试验，通过自动回复实施五种降级策略，发现自动回复能有效降低用户发布人身侮辱的比率，其中“赞赏”策略效果最佳。
2026-06-23 cs.HC cs.SI
Enhancing Social Media Personalization: Dynamic User Profile Embeddings and Multimodal Contextual Analysis Using Transformer Models
Indian Institute of Management, Indore（印度管理学院印多尔分校）
本研究针对社交媒体个性化需求，提出基于Transformer的动态用户画像嵌入方法，在超2000万数据点的数据集上验证其能更精准追踪用户偏好、提升推荐效果与用户参与度，为社交平台优化体验提供支撑。
2024-07-09 cs.AI cs.IR cs.SI
A Computational Framework for Interpretable Text-Based Personality Assessment from Social Media
FACULTY OF ELECTRICAL ENGINEERING AND COMPUTING（电气工程与计算学院）
针对带人格标签的社交媒体文本数据集稀缺、人格心理学与NLP脱节导致模型有效性和可解释性不足的问题，本研究构建了两个大规模Reddit人格数据集，并提出可解释的SIMPA框架，通过匹配用户陈述与问卷条目实现媲美人类的评估，且具备跨领域通用性。
2025-10-03 cs.AI cs.CL cs.SI
Predicting Potential School Shooters from Social Media Posts
本文提出一种多模态模型，通过分离社交媒体帖子的图文并利用字幕生成与情感分析，预测潜在校园枪手的警告迹象，为现实场景的早期干预提供支持。
2023-11-25 cs.SI
Predicting the Topical Stance of Media and Popular Twitter Users
发现媒体和有影响力的人对当前有争议的话题的立场对社会统计学家和政策制定者很重要。存在许多用于确定视点的监督解决方案，但是手动注释训练数据是昂贵的。在本文中，我们提出了一个级联的方法，使用无监督学习，以确定Twitter用户的立场，相对于一个极化的话题，利用他们的转推行为，然后，它使用监督学习基于用户标签的特点，一般的政治倾向的在线媒体和流行的Twitter用户，以及他们的立场相对于目标极化的话题。我们通过将其预测与Media Bias/Fact Check网站的黄金标签进行比较来评估该模型，准确率达到82.6%。
2020-05-21 cs.IR cs.SI
Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management
University of Waterloo（滑铁卢大学）
在本文中，我们提出了一种方法，用于预测在社交媒体中的同行之间的信任链接，一个是接地在人工智能领域的多智能体信任建模。特别是，我们提出了一个数据驱动的多方面的信任建模，它结合了许多不同的功能，进行全面的分析。我们专注于展示相似用户的聚类如何实现一个关键的新功能：支持更个性化，从而为用户提供更准确的预测。在一个信任感知项目推荐任务中，我们在一个大型Yelp数据集的背景下评估了所提出的框架。然后，我们将讨论如何提高在社交媒体中的信任关系的检测可以帮助支持在线用户在他们的战斗中对传播的错误信息和谣言，在社交网络环境中，最近爆炸的流行。最后，我们反思了一个特别脆弱的用户群，老年人，以说明推理的用户群体的价值，寻找一些未来的方向，整合已知的偏好与通过数据分析获得的见解。
2021-11-11 cs.AI cs.SI
Predicting the Industry of Users on Social Media
University of Michigan（密歇根大学）
社交媒体用户的自动分析是支持众多下游应用的重要任务。虽然许多研究已经使用社交媒体内容来提取和研究集体社交属性，但缺乏针对用户行业检测的实质性研究。我们将此任务定义为使用特征工程和集成学习的分类。我们的行业检测系统使用发布的内容和个人资料信息来检测用户的行业，准确率为64.3%，在14个行业类别的分类中显著优于大多数基线。我们的定性分析表明，一个人的行业不仅会影响所使用的词语及其感知的含义，还会影响所表达的情感的数量和类型。
2016-12-24 cs.CL cs.SI
Predicting Online Protest Participation of Social Media Users
社交媒体已经成为人们表达对阿拉伯之春等政治抗议活动观点的流行平台。数以百万计的人使用社交媒体来交流和动员他们对抗议活动的看法。因此，它是组织社会运动的宝贵工具。然而，抗议活动影响民众的机制尚不清楚，因此难以估计抗议者的人数。在本文中，我们的灵感来自社会学理论的抗议参与，并提出了一个框架来预测从用户的过去的状态消息和互动用户的下一个职位是否会抗议的声明。从这些理论中提取概念，我们对用户的状态消息和随着时间的推移与他交互的消息之间的相互作用进行建模，并预测用户的下一个帖子是否会发表抗议声明。我们使用社交媒体平台Twitter在最近的尼日利亚选举期间的抗议活动的数据来评估该框架，并证明它可以有效地预测用户的下一个帖子是否是抗议宣言。
2015-12-09 cs.SI
My Views Do Not Reflect Those of My Employer: Differences in Behavior of Organizations' Official and Personal Social Media Accounts
本文利用气候变化 Twitter 数据比较组织官方账号与成员个人账号，揭示不同组织层级在活动、连接和转发网络结构上的显著差异及其对研究偏差的影响。
2024-09-18 cs.HC cs.SI
Beyond network centrality: Individual-level behavioral traits for predicting information superspreaders in social media
本研究提出一种基于网络的非线性算法，结合影响力和易感性两个个体行为特征，超越网络中心性，有效预测社交媒体中的信息超级传播者，并在Twitter和微博数据上验证了其有效性。
2024-03-17 cs.SI
Predicting human mobility through the assimilation of social media traces into mobility models
在不同的空间尺度上预测人类流动流动的挑战是个人轨迹的异质性和交通网络的多尺度性质。随着人类行为的大量数字痕迹变得可用，通过将各种数字平台和位置感知服务收集的关于移动性的代理数据整合到其中来改进移动模型的机会出现了。在这里，我们提出了一个混合模型的人的流动性，集成了一个大规模的公开可用的数据集，从一个流行的照片共享系统与经典的重力模型，在堆栈回归过程。我们使用美国航空旅行和日常通勤的两个地面实况数据集来验证我们方法的性能和可推广性：使用两种不同的交叉验证方案，我们表明混合模型在两个空间尺度上都提供了增强的移动性预测。
2016-02-05 cs.SI physics.soc-ph
Predicting the Quality of Short Narratives from Social Media
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Disney Research（迪士尼研究院）
建立叙事计算模型的一个重要而困难的挑战是叙事质量的自动评估。质量评估将叙事理解和生成联系起来，因为生成系统需要评估自己的产品。为了规避获取注释的困难，我们采用社交媒体中的支持率作为故事质量的近似衡量标准。我们从大众问答网站Quora收集了54,484个答案，然后使用主动学习构建了一个分类器，将28,320个答案标记为故事。为了在不使用社交网络功能的情况下预测支持数，我们创建了对文本区域和区域之间的相互依赖性进行建模的神经网络，这可以作为未来研究的强有力的基准。据我们所知，这是第一个大规模的自动评价叙事质量的研究。
2017-07-08 cs.CL cs.SI
Towards Successful Social Media Advertising: Predicting the Influence of Commercial Tweets
The Ohio State University（俄亥俄州立大学）
企业出于各种原因使用Twitter进行沟通-提高其品牌的知名度，营销新产品，回应社区评论，并以有针对性的方式与客户和潜在客户联系。对于企业来说，要有效地做到这一点，他们需要了解关于推文的哪些内容和结构元素使其具有影响力，即广泛喜欢，关注和转发。本文提出了一种系统的方法来分析商业推文，并预测其对读者的影响。我们的模型使用装饰和Meta特征的组合，优于基线模型和推文嵌入模型的预测能力。此外，为了展示这项工作的实际用途，我们展示了如何设计一个不成功的推文（例如，改写），以增加其成功的潜力。
2019-10-28 cs.CL cs.IR cs.SI
RTs != Endorsements: Rethinking Exposure Fairness on Social Media Platforms
本文指出社交媒体推荐系统的曝光公平性需考虑用户所处的社会环境，提出曝光频率与曝光对象同等重要，应扩展公平性定义。
2024-09-20 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
Automatic Conditional Generation of Personalized Social Media Short Texts
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Key Laboratory of Network System and Network Culture（网络系统与网络文化北京市重点实验室）；Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）
由于深度神经网络的快速发展，文本自动生成受到了广泛关注。基于统计语言模型的文本生成系统一般不会考虑拟人化特征，从而导致生成的文本类似于机器生成的文本。为了填补这一空白，我们提出了一个有条件的语言生成模型与大五人格（BFP）的特征向量作为输入上下文，写类似人类的短文本。短文本生成器由一层长短记忆网络（LSTM）组成，其中BFP特征向量被连接为每个单元格的输入的一部分。为了实现有监督的训练生成模型，采用基于文本分类模型的卷积神经网络（CNN）对BFP标注的中文微博语料进行训练。通过BFP语言学计算模型的验证，我们生成的中文短文本具有区分性的个性风格，并且具有正确的句法和流畅的语义以及适当的表情符号。该模型将自然语言生成与心理语言学相结合，可广泛应用于机器翻译、图像字幕、对话生成等个性化文本生成。
2019-06-15 cs.AI cs.CL cs.SI
PERCEIVE: A Benchmark for Personalized Emotion and Communication Behavior Understanding on Social Media
School of Computer and Information Technology, Shanxi University, China（山西大学计算机与信息学院）；Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education, Shanxi University, China（教育部计算智能与中文信息处理重点实验室，山西大学，中国）；Joint Laboratory of Tourism Big Data in Shanxi Province, China（山西省旅游大数据联合实验室）
PERCEIVE是首个整合五维社交感知的双语大规模基准，通过真实用户互动捕捉读者个性化情绪响应，推动社交智能NLP研究。
2026-04-10 cs.AI cs.CL cs.SI
Predicting Anti-Asian Hateful Users on Twitter during COVID-19
我们调查了整个COVID-19期间Twitter用户中反亚洲仇恨的预测因素。随着仇外心理和两极分化的兴起，许多国家广泛使用社交媒体，网络仇恨已成为一个主要的社会问题，吸引了许多研究人员。在这里，我们应用自然语言处理技术来描述在COVID-19期间开始发布反亚洲仇恨信息的社交媒体用户的特征。我们比较了两个用户组-那些发布反亚洲诽谤和那些没有-关于一组丰富的特征，这些特征是用COVID-19之前的数据测量的，并表明有可能预测谁后来公开发布反亚洲诽谤。我们对预测特征的分析强调了报道网络仇恨的新闻媒体和信息源的潜在影响，并呼吁进一步调查两极分化的通信网络和新闻媒体的作用。
2021-09-15 cs.CY cs.SI
A Survey on Predicting the Factuality and the Bias of News Media
Qatar Computing Research Institute, HBKU（卡塔尔 computing 研究所，哈马德·本·哈利法大学）；Singapore Management University（新加坡管理大学）
目前网上虚假、有偏见和宣传性内容的泛滥程度使得人工或自动对每一个可疑的声明或文章进行事实核查成为不可能。因此，许多研究人员正在将注意力转移到更高的粒度，旨在分析整个新闻媒体，这使得通过简单地检查其来源的可靠性就可以在发布的那一刻检测到可能的“假新闻”。来源真实性也是自动事实核查和“假新闻”检测系统的一个重要因素，因为它们需要评估在线检索证据的可靠性。政治偏见检测在西方政治格局中是关于预测左中右偏见的，这是一个同样重要的话题，它经历了类似的转变，转向分析整个新闻媒体。此外，这两者之间有着明显的联系，因为高度偏见的媒体不太可能是真实的;然而，这两个问题却被分开处理。在这项调查中，我们回顾了媒体分析的真实性和偏见的最新技术，认为有必要共同建模。我们进一步讨论了在使用不同的信息源和模式，这超出了目标新闻媒体发表的文章的文本有趣的最新进展。最后，我们讨论了当前的挑战，并概述了未来的研究方向。
2021-03-16 cs.CL cs.SI
Measuring and Predicting Speed of Social Mobilization
个人在社交网络中的大规模动员在社会中的影响力越来越大。然而，很少有人知道招聘人员和新兵的哪些特征会影响一方动员另一方的速度。在这里，我们确定和测量的个人和他们的关系，预测动员速度的特点。我们举办了一场全球社会动员竞赛，记录了参与者和他们招募的人的个人特质。我们确定了这些特征如何与动员速度相对应。当新兵第一次直接从竞赛组织那里听说竞赛时，他们的动员速度更快，而当他们从不那么个人的来源类型（例如家庭与媒体）听到时，他们的动员速度会下降。当招募人员和新兵通过相同的来源类型听说比赛时，动员速度会更快，而当两个人在不同的国家时，动员速度会更慢。女性动员其他女性比男性动员其他男性更快。年轻的招募人员动员其他人的速度更快，而年长的招募人员动员速度更慢。这些研究结果表明工程社会动员任务的相关因素，以提高速度。
2013-10-17 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
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
