Why Are You More Engaged? Predicting Social Engagement from Word Use
IBM Research - Almaden（IBM阿尔马登研究院）
我们提出了一项研究，分析如何使用的话可以预测社会参与行为，如在Twitter上的回复和转发。我们计算心理语言学的类别分数从词的使用，并调查不同分数的人如何表现出不同的回复和转发Twitter上的行为。我们还发现心理语言学类别与这种社会参与行为具有显着的相关性。此外，我们已经建立了预测模型的答复和转推，从这种心理语言学类别为基础的功能。我们使用从Twitter收集的真实世界数据集进行的实验验证了这种预测可以以合理的准确度进行。
2014-02-26 cs.CL cs.CY cs.SI
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众，旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降，新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据，采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响：（1）通过社交媒体信任分数（TSM）算法计算的可信度;（2）推文数量;（3）Twitter使用技巧。研究结果表明，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法，以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
Optimal Engagement-Diversity Tradeoffs in Social Media
众所周知，社交媒体平台可以在算法的帮助下优化用户参与度。人们普遍认为，这种做法会产生回音室\emdash用户主要接触到与自己相似的意见。在本文中，我们问回声室是否是高参与度的必然结果;我们在一个新的模型中解决这个问题。我们的主要理论结果建立了多样性约束下可实现的最大参与的界限，适当的参与和多样性的措施，因此，我们可以量化这两个目标之间的最坏情况下的权衡。我们的实证结果，基于Twitter的真实数据，图表的帕累托边界的多样性权衡。
2023-03-06 cs.CY cs.SI econ.GN
Predicting engagement in online social networks: Challenges and opportunities
University of Arizona（亚利桑那大学）
自社交媒体引入以来，用户参与或参与很少受到研究关注。在这篇调查文章中，我们建立了参与社交媒体的概念，以及研究人员在探索这一现象时可能面临的主要挑战。我们调查了一些在这方面已经完成的研究文章，并试图提取，分析和总结研究人员执行的技术。我们根据任务定义对这些作品进行了分类，并探索了用于任何参与预测的机器学习模型。我们还探索了大量已被证明有用的功能，并将其分类，以便更好地理解和易于重新实现。我们发现，一项技术的成功主要取决于所研究的网络类型，并且没有通用的机器学习算法或特征集在所有类型的社交媒体中都能很好地工作。在实现最先进的机器学习技术（如神经网络）方面缺乏尝试，并且尚未探索迁移学习和领域自适应的可能性。
2019-07-11 cs.CY cs.LG cs.SI
Towards User Engagement Dynamics in Social Networks
每个用户在社交网络中的参与度是维持可持续服务的重要指标。现有的研究使用用户的$coreness$来很好地估计其在网络中的静态参与。然而，当用户的参与被削弱或加强时，对其他用户的参与的影响是不清楚的。此外，用户参与的动态尚未被很好地捕捉到不断发展的社交网络。在本文中，我们首次系统地研究了网络动态对每个用户的参与度变化。通过两个新概念监测用户的影响：测量用户弱化效果的$collapsed~power$和测量用户强化效果的$anchored~power$。我们表明，这两个概念可以自然地集成，提出了一个统一的离线算法来计算每个用户的崩溃和锚定的追随者。当网络结构演变时，在线技术旨在维持用户的追随者，这比重做离线算法快约3个数量级。在真实数据上的大量实验证明了我们模型的有效性和算法的效率。
2021-10-23 cs.DB cs.SI
How many others have shared this? Experimentally investigating the effects of social cues on engagement, misinformation, and unpredictability on social media
与传统媒体不同，社交媒体通常提供量化指标，衡量有多少用户参与了每一项内容。有些人认为，这些线索的存在促进了错误信息的传播。在这里，我们调查的因果关系的社会线索对用户的参与与社会媒体的帖子。我们在一个定制的新闻推送界面上对N=628名美国人进行了一项实验，在这个界面上，我们系统地改变了社交线索的存在和强度。我们发现，当提示显示时，表明有更多的其他人参与了帖子，用户更有可能分享和喜欢该帖子。此外，相对于没有社会线索的对照组，社会线索的存在增加了真实新闻相对于虚假新闻的分享。社交线索的存在也使得精确预测任何给定帖子的受欢迎程度变得更加困难。总之，我们的研究结果表明，在某些情况下，社交线索可能会提高真相的识别力，减少错误信息的分享，而不是分散用户的注意力或导致他们分享低质量的新闻。我们的工作表明，社交线索在塑造用户在社交媒体上的注意力和参与度方面发挥着重要作用，平台应该在改变显示哪些线索以及如何显示之前了解不同线索的影响。
2022-07-15 cs.HC cs.SI
What Makes People Join Conspiracy Communities?: Role of Social Factors in Conspiracy Engagement
广泛传播的阴谋论，如那些激发反疫苗接种态度或否认气候变化的阴谋论，推动了集体行动，并产生了全社会的后果。然而，实证研究在很大程度上将阴谋论的采用作为一种个人追求，而不是作为一个社会中介过程。是什么让用户加入支持和传播阴谋论的社区？我们利用Reddit上56个阴谋社区的纵向数据，比较了决定哪些用户加入社区的个人和社会因素。使用准实验的方法，我们首先确定30 K未来的阴谋-（FC）和30 K匹配的非阴谋-（NC）。然后，我们通过分析600万条Reddit评论和帖子，在六个维度上提供了社会因素相对于个人因素的重要性的经验证据。特别是在社会因素中，我们发现，与阴谋社区成员的二元互动和阴谋社区外的边缘化，是阴谋加入的最重要的社会前兆，甚至优于个人因素基线。我们的研究结果提供了定量支持，以了解社会进程和回声室效应的阴谋参与，民主制度和在线社区的重要影响。
2020-10-06 cs.SI
Social Media Engagement and Cryptocurrency Performance
Massachusetts Institute of Technology（麻省理工学院）；Yale University（耶鲁大学）
本研究提出基于社交媒体互动的用户参与度测算模型，利用48种加密货币首月Twitter数据验证发现，参与度系数与加密货币未来收益强相关，过高或过低均拉低收益，基于该系数的简单投资策略数月持仓表现良好。
2022-09-07 cs.AI cs.NA cs.SI
Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement
University of Technology Sydney（悉尼科技大学）
本文提出联合处理-结果框架，将医疗因果推断应用于社交媒体序列交互，估计平均处理效应，在错误信息数据集上预测参与度优于基准15-22%，并与专家经验影响力高度一致。
2025-05-25 cs.CL cs.SI
Vulnerability and Resilience of Social Engagement: Equilibrium Theory
参与的社交网络有时会戏剧性地崩溃。一个广泛采用的范式来理解这种灾难动力学的阈值模型，但以前的工作只考虑了不可逆的K-核心修剪过程和由此产生的动力学活动模式。在这里，我们研究的网络联盟问题作为一个简化的社会参与模型的均衡统计力学。我们的理论表明，幸存的动力学联盟的平衡和非典型的配置，可能会变得非常容易受到单节点触发的级联故障，因为他们放松到平衡。我们的理论预测，如果活跃节点的分数是超过一定的临界值，平衡（典型）联盟配置可以保护级联故障由一个简单的最小努力的本地干预策略。我们通过广泛的蒙特卡罗模拟证实了这些结果。
2021-02-24 cond-mat.stat-mech cs.SI physics.soc-ph
Redes sociales, participación ciudadana y la hipótesis del slacktivismo: lecciones del caso de "El Bronco" / Social Media, Civic Engagement, and the Slacktivism Hypothesis: Lessons from Mexico's "El Bronco"
在城市化进程中，社会关系的作用是积极的还是消极的？作为回应者的意图的一部分，它包括了美国公众的意见，因为墨西哥的一个重要案件的研究，涉及一个独立的候选人，利用社会网络与公众进行交流，并通过传统的交流媒体进行交流。Dicho candidato，conocido como“El Bronco”，ganó la carrera por la gubernatura del estado al derrotar a los candidatos de los partidos tradicionales.另外，我们有一个在选举日更能代表我们的城市。我们对“El Bronco”的Facebook公共页面上的7.5亿条信息、评论和回复进行了更深入的分析。通过调查和演示，了解社会关系是否可以利用，以促进公民之间的相互作用，使公共生活更接近政治。社交媒体的使用对公民参与有积极或消极的影响吗？“懒散主义假说”认为，如果公民使用社交媒体进行政治对话，这些对话将是短暂和乏味的。回答这个问题的大多数尝试都涉及来自美国的民意数据，因此我们提供了一个来自墨西哥的重要案例，其中一位独立候选人使用社交媒体与公众沟通，避开传统媒体。他赢得了州长竞选，击败了传统政党的候选人，并在选举日之后引发了持续的公众参与。在我们的调查中，我们分析了超过750，000个帖子，评论和回复超过三年的Facebook页面上的“El B…
2017-10-09 cs.SI
The Quiet and the Compliant: How Regulation and Polarization Shape Conventional Wisdoms on Corporate Social Engagement in High-risk Settings
University of Oslo（奥斯陆大学）
研究通过合成调查探讨高风险环境下企业社会责任实践的常规智慧与最佳实践，揭示监管、政治极化等因素对企业社会责任活动的影响。
2026-08-27 cs.SI physics.soc-ph
Scalable AI-Driven Analytics for User Engagement and Stance Detection on Social Media
School of Computing, Macquarie University（麦考瑞大学计算学院）
提出一个可扩展的AI驱动服务框架，通过集成数据摄取、过滤、主题建模、情感分析和立场检测的模块化流水线，分析社交媒体上的用户参与和立场，并在包含700万条评论的YouTube数据集上验证其有效性。
2026-05-28 cs.SI
Evaluating the effect of viral news on social media engagement
本研究用贝叶斯结构时间序列模型分析多语言新闻媒体的社交媒体数据，发现病毒式事件对参与度影响短暂且多逆转趋势，强调持续注意力建设优于追求突发流量。
2024-07-18 cs.SI
Social sustainability through engagement in a training context with tools such as the Native Podcast and Facebook social network
本研究基于信息与传播科学，提出一种以日常生活数字工具（如Native Podcast与Facebook）驱动的参与过程，应用于培训情境，以促进终身学习和社会可持续性发展。
2025-04-23 cs.CY cs.MM cs.SI
Engagement, User Satisfaction, and the Amplification of Divisive Content on Social Media
通过预注册算法审计比较Twitter时间倒序基线与参与度排序，发现后者放大敌意分裂内容且不符用户偏好，并评估按用户陈述偏好排序的利弊。
2024-12-07 cs.CY cs.SI
Forecasting Political News Engagement on Social Media
Tulane University（杜兰大学）；Illinois Institute of Technology（伊利诺伊理工学院）
通过分析七年内超过6000万条推文，训练神经网络预测用户将参与的政治新闻倾向，并聚类用户发现长期新闻参与模式。
2026-06-02 cs.SI
Analyzing the Engagement of Social Relationships During Life Event Shocks in Social Media
本文通过分析Twitter上超过13K个冲击事件和110K条回复，揭示了不同社会关系类型在在线冲击响应中的独特模式，发现关系强度与结构嵌入性的影响取决于关系类型和冲击类型。
2023-02-15 cs.SI
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
The Effectiveness of Social Media Engagement Strategy on Disaster Fundraising
University of Technology Sydney（悉尼科技大学）；Australian Red Cross（澳大利亚红十字会）
社交媒体是一个强大的工具，也是沟通的一个组成部分，特别是在自然灾害期间。社交媒体平台通过尽早向各个社区传播关键信息，帮助非营利组织进行有效的灾害管理。除了将信息传播到世界的每一个角落，各种平台都包含了许多功能，可以举办在线筹款活动，处理在线捐款等。目前的文献缺乏调查社交媒体参与和危机管理之间相关性的理论结构。像澳大利亚红十字会这样的大型非营利组织已经扩大了他们的行动，通过各种赠款帮助了近6,000名火灾幸存者，并通过他们的恢复计划为21,563人提供了心理支持和其他援助（澳大利亚红十字会，2021年）。本文以2019-2020年澳大利亚火灾为例，通过分析澳大利亚红十字会2019年10月至2020年3月的捐款数据，并分析同期公众与其Facebook页面及其内容的互动程度，来考察社交媒体在筹款升级中的作用。
2022-10-19 cs.AI cs.SI
From Niche to Mainstream: Community Size and Engagement in Social Media Conversations
Sapienza University of Rome（罗马大学）；City St George’s, University of London（伦敦城市大学圣乔治学院）；The Alan Turing Institute（艾伦·图灵研究所）
本研究分析33年间六个平台的数据，发现小平台促进更丰富持续的互动，大平台参与更广但更短暂，且用户重新参与倾向随社区规模增大而降低，但小众环境例外，揭示了平台架构与公共话语质量的关系。
2025-01-21 cs.CY cs.SI
Context-Aware Prediction of User Engagement on Online Social Platforms
Columbia University（哥伦比亚大学）；Snap Inc.（Snap公司）；University of South Florida（南佛罗里达大学）
本文利用深度LSTM分析近8万名用户的1亿多次Snapchat会话，证明整合连接状态、位置、时间和天气等上下文特征可显著提升用户参与度预测性能，并减少对长行为历史的需求，从而实现更高效且保护隐私的建模。
2024-06-14 cs.AI cs.HC cs.LG
Social Network Dynamics in a Massive Online Game: Network Turnover, Non-densification, and Team Engagement in Halo Reach
在线多人游戏是一种流行的社交互动形式，被数亿人使用。然而，人们对这些网络游戏中的社交网络知之甚少，也不知道它们是如何随着时间的推移而演变的。了解大型网络游戏中的人类社会动态可以为一般的社会互动提供新的启发，并为开发更具吸引力的系统提供信息。在这里，我们研究了一个新颖的大型友谊网络，从流行的在线游戏Halo：Reach中1700万人之间44周内的近180亿次社交互动中推断出来。该网络是迄今为止研究的最大，最详细的时间交互网络之一，并提供了一个新的视角在线友谊网络的动态，而不仅仅是交互图。最初，这个网络表现出强大的结构性周转，并从峰值迅速衰减。然而，在接下来的一段时间里，网络规模和营业额都稳定下来，产生了动态的结构平衡。与其他研究相比，我们发现Halo友谊网络是非致密化的：平均度和平均成对距离都是稳定的，这表明当维持友谊的成本很高时，致密化不会发生。最后，具有更大的长期参与的球员表现出更强的本地集群，这表明一个群体层次的社会参与过程。这些结果表明，在线游戏研究社交网络的效用，揭示了新的经验时间图模式，并澄清网络致密化的普遍性的要求。
2013-06-18 cs.SI physics.data-an physics.soc-ph
Making a Radical Misogynist: How online social engagement with the Manosphere influences traits of radicalization
本文通过分析Reddit用户与“男圈”社区的社交互动，揭示了参与、精英传播和社区认知如何推动激进化特质的形成，并为平台审核政策提供依据。
2022-02-17 cs.SI
Learning to Control Misinformation: a Closed-loop Approach for Misinformation Mitigation over Social Networks
University of Zurich（苏黎世大学）；Eindhoven University of Technology（埃因霍温理工大学）
针对社交网络推荐系统因优先参与度而放大错误信息的问题，提出结合错误信息缓解与参与度最大化的闭环控制框架，通过惩罚极端负面情绪等特征，在不同网络配置中减少错误信息传播达76%，并为平台提供实用指导。
2025-11-16 cs.SI cs.SY eess.SY
Social bots sour activist sentiment without eroding engagement
本研究通过分析2019年“反抗灭绝”抗议期间的推特数据，发现社交机器人互动显著恶化人类情绪，但未削弱激进主义者的参与度，且机器人影响具有类型和用户支持水平依赖性，凸显了开放数据的重要性。
2024-03-19 cs.CY cs.SI
LUEM : Local User Engagement Maximization in Networks
由于社会网络的广泛应用，理解社会网络是社会网络分析的一个基本问题。近年来，网络中的用户参与受到了许多研究团体的广泛关注。然而，大多数用户参与度模型关注全球用户参与度，以最大化（或最小化）参与用户的数量。在这项研究中，我们制定了所谓的本地用户参与最大化（LUEM）问题。我们证明了LUEM问题是NP-困难的。为了获得高质量的结果，我们提出了一个近似算法，结合了传统的爬山法。为了提高效率，我们提出了一个有效的修剪策略，同时保持有效性。此外，通过观察度和用户参与度之间的关系，我们提出了一个有效的启发式算法，保持有效性。最后，我们在十个真实网络上进行了广泛的实验，以证明所提出的算法的优越性。我们观察到，与最佳基线算法相比，该算法实现了高达605%的参与用户。
2022-08-30 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
How-to Present News on Social Media: A Causal Analysis of Editing News Headlines for Boosting User Engagement
Soongsil University（崇实大学）；Singapore Management University（新加坡管理大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
为了接触更广泛的受众并优化新闻文章的流量，媒体通常会运行社交媒体账户，并通过简短的文本摘要分享其内容。尽管在分享文章中撰写令人信服的信息很重要，但研究界对什么样的编辑策略能有效地促进受众参与并没有足够的了解。在这项研究中，我们的目标是通过使用数据驱动的方法分析媒体的当前做法来填补这一空白。我们首先建立了一个平行的语料库，包含八家媒体共享的原创新闻文章及其相应的推文。然后，我们探讨这些媒体如何编辑推文对原来的标题和这种变化的影响。为了估计编辑新闻标题用于社交媒体共享在受众参与度中的影响，我们提出了一种系统的分析，该分析将因果推理技术与深度学习相结合;使用倾向得分匹配，它允许估计编辑风格的潜在（缺点）优势，与反事实的情况相比，类似的新闻文章以不同的风格共享。通过对各种编辑风格的分析，揭示了不同编辑风格的共同效果和不同效果。为了了解各种编辑风格的效果，媒体可以自己应用我们易于使用的工具。
2021-04-22 cs.CL cs.SI
Look who's watching: platform labels and user engagement on state-backed media outlets
最近，社交媒体平台推出了几项措施来对抗误导性信息。这些措施包括官方媒体标签，帮助用户识别和评估国家支持的新闻的可信度。YouTube是第一个引入标签的平台，提供有关国家支持的新闻频道的信息。虽然以前的工作已经在受控实验室环境中研究了信息标签的效率，但很少有研究研究国家媒体标签如何影响用户对国家支持的媒体内容的感知。本文提出了新的方法论和理论方法来研究国家媒体标签对用户参与内容的影响。本文利用对5个国家资助的频道（半岛电视台英语频道、CGTN频道、RT频道、TRT世界频道和美国之音频道）贴标签前后发布的8,071条YouTube评论的内容分析，分析了国家媒体标签对用户参与国家支持的媒体内容的影响。我们发现，标签对政策出台前后收到的喜欢视频数量没有影响，除了RT在被标签后收到的喜欢较少。然而，对于RT，用户留下的评论与政策实施后观察到批评评论的可能性下降30%相关，观察到关于RT作为媒体来源的批评评论的可能性下降70%。虽然其他国家资助的广播公司，如半岛电视台英语和美国之音新闻，在YouTube推出政策后收到的批评意见较少;这种关系与视频的政治性有关，而不是政策变化。我们的研究有助于正在进行的关于平台治理与国家支持的媒体的有效性的讨论，表明观众的偏好会影响标签的有效性。
2021-07-14 cs.SI
Characterizing Online Engagement with Disinformation and Conspiracies in the 2020 U.S. Presidential Election
University of Southern California（南加州大学）
识别和定性社交媒体上政治话语中的虚假信息对于确保世界各地选举和民主进程的完整性至关重要。对社交媒体的持续操纵导致人们对2020年美国总统大选的担忧增加，因为它有可能影响个人意见和社会动态。在这项工作中，我们专注于识别扭曲的事实，在与选举相关的推文中以不可靠和阴谋的叙述形式，以描述选举前的话语操纵。我们应用一个检测模型来区分事实和不可靠（或阴谋）的说法，分析了2.42亿条与选举相关的推文的数据集。已确定的索赔用于调查有针对性的虚假信息主题和阴谋集团，最著名的是极右翼QAnon阴谋集团。此外，我们通过政治倾向和推文类型来描述与不可靠和阴谋推文以及与QAnon阴谋集团的账户互动。最后，使用回归不连续设计，我们调查Twitter的行动，以遏制QAnon活动的平台上是否有效，以及QAnon帐户如何适应Twitter的限制。
2021-10-20 cs.CY cs.LG cs.SI
When Engagement Meets Similarity: Efficient (k,r)-Core Computation on Social Networks
在本文中，我们研究的问题（k，r）-核心，旨在找到凝聚子图的社交网络考虑用户参与度和相似性的观点。特别是，我们采用流行的概念，k-核心，以保证参与的用户（顶点）在一个组（子图），其中每个顶点在一个（k，r）-核心连接到至少k个其他顶点。同时，我们还考虑了用户之间的两两相似性的基础上，他们的配置文件。对于给定的相似性度量和相似性阈值r，确保（k，r）-核中的任何两个顶点之间的相似性不小于r。提出了有效的算法来枚举所有的最大（k，r）-核心，并找到最大（k，r）-核心，其中这两个问题被证明是NP-难的。有效的剪枝技术显著地减小了两种算法的搜索空间，并且一种新的基于（k，k '）核的（k，r）核大小上界提高了最大（k，r）核计算的性能。我们还设计了有效的搜索顺序，以适应不同性质的两个挖掘算法。对真实数据的综合实验表明，极大/极大（k，r）-核使我们能够找到有趣的内聚子图，所提技术显著提高了两种挖掘算法的性能.
2016-11-10 cs.DB cs.SI
Recommendation Algorithms on Social Media: Unseen Drivers of Political Opinion
本研究基于 3,300 余名参与者的数据，分析 Facebook 和 X 等平台及其推荐算法对用户政治兴趣的差异化影响，并揭示人口统计学差异，为理解数字政治动员提供实证依据。
2025-06-25 cs.SI
Leveraging Multi-Source Weak Social Supervision for Early Detection of Fake News
Arizona State University（亚利桑那州立大学）；Microsoft Research（微软研究院）
社交媒体极大地使人们能够以前所未有的速度参与在线活动。然而，这种不受限制的访问也加剧了网上错误信息和假新闻的传播，除非及早发现，否则可能会造成混乱和混乱。鉴于新闻事件的快速发展性质和有限的注释数据，最先进的假新闻检测系统面临着挑战，因为缺乏大量的注释训练实例，这些实例很难用于早期检测。在这项工作中，我们利用来自用户和内容参与（称为弱社会监督）的不同来源的多个弱信号，以及它们的互补实用程序来检测假新闻。我们共同利用有限的干净数据以及来自社交活动的弱信号，在元学习框架中训练深度神经网络，以估计不同弱实例的质量。在真实世界数据集上的实验表明，该框架在预测时不使用任何用户参与的情况下，在早期检测假新闻方面优于最先进的基线。
2020-04-03 cs.LG cs.SI stat.ML
Beautiful and damned. Combined effect of content quality and social ties on user engagement
Nokia Bell Labs（诺基亚贝尔实验室）；University of Turin（都灵大学）；Flickr
用户参与在线社区是由社交网络结构与沿其链接流动的群体生成内容的交织驱动的。很少对这些方面进行联合和大规模的探讨。通过观察用户如何在Flickr上生成和访问各种美丽的图片，我们研究了质量的生产如何影响在线社交系统的动态。我们开发了一个深度学习的计算机视觉模型，根据图像的美学价值对其进行评分，并通过众包验证其输出。通过将其应用于超过150亿张Flickr照片，我们首次研究了图像美如何在大规模社会系统中分布。美丽的图像在网络中均匀分布，尽管只有一小部分核心人群因它们而获得社会认可。为了研究质量暴露对用户参与度的影响，我们设置了匹配实验，旨在从观察数据中检测因果关系。接触美丽是双刃剑：跟随那些制作高质量内容的人增加了一个人上传更好照片的可能性;然而，用户和用户邻居之间的质量过度不平衡导致参与度下降。我们的分析具有实际意义，提高链接推荐系统。
2017-11-01 cs.AI cs.CV cs.MM
Predicting Tweet Engagement with Graph Neural Networks
University of Pavia（帕维亚大学）；Polytechnic University of Marche（马尔凯理工大学）
本文提出TweetGage，一种基于图神经网络的解决方案，通过建模帖子间的语义联系来预测推文参与度，并在Twitter平台上通过全面实验验证了其有效性。
2023-05-17 cs.AI cs.LG cs.SI
Engaging Users through Social Media in Public Libraries
Queensland University of Technology（昆士兰科技大学）；San José State University（圣何塞州立大学）；Griffith University（格里菲斯大学）
参与式图书馆是一个新兴的概念，它指的是一个综合的图书馆系统必须允许用户参与图书馆的核心功能，而不是参与边缘。为了接受参与式理念，图书馆采用了许多技术，如社交媒体，以帮助他们建立参与式服务和吸引用户。为了帮助图书馆员了解新兴技术对参与式服务建设的影响，本文以社会媒体为例，探讨如何利用社会媒体提供的不同参与策略来吸引更多的用户。本文对图书馆系统做出了三大贡献。图书馆可以使用由此产生的参与策略来吸引用户。此外，可以根据用户的偏好来推断和设计最适合的策略。最后，可以根据社交媒体的数据分析来了解用户的偏好。三个这样的贡献放在一起，以充分解决拟议的研究问题，如何使用不同的参与策略在社会媒体上建立参与式图书馆服务，更好地吸引更多的用户访问图书馆？
2020-10-30 cs.HC cs.LG cs.OH
Followers do not dictate the virality of news outlets on social media
本研究运用吉布拉定律分析千余家新闻媒体的Facebook历史数据，发现新闻传播热度与媒体规模无关，且不可靠来源的互动量会随时间下降，还构建了可复现增长动态的统计模型。
2024-06-24 cs.SI stat.AP
Centrally Administered State-Owned Enterprises' Engagement in China's Public-Private Partnerships: A Social Network Analysis
中国公私伙伴关系（PPP）的一个显著特点是国有企业（SOEs）的深度参与，特别是那些由中央/国家政府（CSOEs）管理的企业。本文结合资源基础理论和资源依赖理论对民营企业参与PPP网络进行了解释。基于网络视角，本文与以往研究的不同之处在于，它将整个PPP治理网络作为一个整体进行研究，并将所有PPP参与者的嵌入式网络位置作为一个整体进行研究，而不是单独的、孤立的PPP交易。基于2012-2017年PPP项目的数据来源，运用社会网络分析，从国有企业拥有和获取战略性资产的优势出发，检验了假设的国有企业在形成PPP中的网络优势。研究结果表明，随着时间的推移和地理空间的变化，CSOEs在跨部门的PPP网络中具有主导影响力和控制力。本文还建议政策制定者应缩小国有企业和私营企业之间的资源差距，只有这样，才能提高非国有企业在中国公私伙伴关系中的存在和参与。
2021-01-06 cs.SI
Attacking Fake News Detectors via Manipulating News Social Engagement
本文提出首个针对基于GNN的假新闻检测器的对抗攻击框架，通过含三类智能体的多智能体强化学习模拟欺诈者协调行为，实验证明其可有效破坏检测器性能，为假新闻检测研究提供参考。
2023-04-27 cs.SI
The Politics Attention Makes: Platform Media Logic and the Mediatization of Politics
University of Amsterdam（阿姆斯特丹大学）
研究社交媒体与政治，从生产端视角引入注意力价格分析，借助模型对比不同平台对公众交流特征的奖励差异，发现不同平台奖励方式不同，为社交媒体与政治研究提供生产端方法。
2026-07-07 cs.SI
Characterizing and Forecasting User Engagement with In-app Action Graph: A Case Study of Snapchat
University of Southern California（南加州大学）；Snap Inc.（Snap公司）
虽然移动社交应用在人们的日常生活中变得越来越重要，但我们对用户使用这些应用的动机了解有限。在本文中，我们回答了用户的应用内活动模式是否有助于告知他们未来的应用参与度的问题（例如，未来时间窗口中的活动天数）？先前关于预测用户应用参与度的研究主要集中在各种宏观特征（例如，活动频率的时间序列），而忽略了微观层面上不同应用内操作之间的细粒度相互依赖性。在这里，我们建议正式的个人用户的应用程序内的动作转换模式作为一个时间上不断变化的动作图，并分析其特征，通知未来的用户参与。我们的分析表明，动作图能够描述用户的行为模式，并为未来的参与提供信息。我们获得了一些高阶图特征来捕获应用内的使用模式，并构建可解释的模型来预测参与变化和活跃率的趋势。为了进一步增强预测能力，我们设计了一个端到端的多通道神经模型来编码时间动作图、活动序列和其他宏观特征。在28天内预测15万Snapchat新用户的用户参与度的实验证明了所提出的模型的有效性。预测框架部署在Snapchat上，以提供真实世界的商业见解。我们提出的框架也是通用的，可以应用于其他社交应用平台。
2019-06-02 cs.LG cs.SI stat.ML
From Attention to Dialogue: Does Audience Engagement Reinforce Constructive Cross-Party Communication?
University of Pittsburgh（匹兹堡大学）
研究探讨受众在社交媒体上的反应是否影响精英行为，通过分析跨党互动数据发现，受众参与促进精英后续的建设性沟通策略。
2026-03-20 cs.SI
Ego-graph Replay based Continual Learning for Misinformation Engagement Prediction
在线社交网络平台存在错误信息的问题。解决这个问题的一种流行方法是通过使用基于机器学习的自动错误信息检测系统来分类帖子是否是错误信息。而不是事后检测，我们建议预测用户是否会提前与错误信息，并设计一个有效的图神经网络分类器的基础上，自我图这项任务。然而，社交网络是高度动态的，反映了用户行为的持续变化以及所发布的内容。这对于通常在静态训练数据集上训练的机器学习模型来说是有问题的，并且因此当社交网络改变时可能变得过时。受持续学习在这类问题上取得成功的启发，我们提出了一种基于图神经网络的自我图重放策略（EgoCL）来有效地解决这一问题。我们已经评估了我们的方法在两个Twitter数据集上的用户参与错误信息的性能，这些数据集涉及十九个错误信息和阴谋主题。我们的实验结果表明，我们的方法EgoCL在预测精度和计算资源方面比最先进的方法有更好的性能。
2022-07-25 cs.SI
Maximizing User Engagement in Social Networks: A Game-Theoretic Approach to Network Participation and Resource Sharing
本文提出融合扩散与非扩散动态的 LLL 博弈论框架以优化社交网络用户参与，并给出可实时计算激励、动态重配资源且抗锚点故障的锚点选择方法。
2024-10-25 cs.SI
Unraveling the Dynamics of Television Debates and Social Media Engagement: Insights from an Indian News Show
本文分析印度新闻辩论节目“Arnab Goswami-The Debate”，发现其内容明显偏向执政的印度人民党，并揭示电视话题选择与社交媒体帖子之间的双向互动关系。
2024-03-29 cs.SI
Towards Recommender Systems LLMs Playground (RecSysLLMsP): Exploring Polarization and Engagement in Simulated Social Networks
Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）；University of Belgrade（贝尔格莱德大学）；Polytechnic University of Bari（巴里理工大学）；University of Kragujevac（克拉古耶瓦茨大学）
本文提出基于LLM的模拟框架RecSysLLMsP，通过构建多样化AI智能体在三种场景下评估推荐系统对用户参与度和极化的影响，发现相似性场景提升参与度但易致回音室，强调需平衡设计以缓解社会极化。
2025-01-29 cs.AI cs.CY cs.HC
Crowding out the truth? A simple model of misinformation, polarization and meaningful social interactions
本文提供了一个简单的理论框架来评估排名算法的关键参数，即流行度和个性化参数，对平台参与度，错误信息和两极分化的影响。结果表明，增加分配给在线社交互动的权重（例如，喜欢和分享）和个性化内容的用户可能会增加社交媒体平台上的参与度，同时增加错误信息和/或极化。通过利用Facebook 2018年的“有意义的社交互动”算法排名更新，我们还为模型的一些主要预测提供了直接的实证支持。
2022-10-05 cs.CY cs.SI
Signals in the Noise: Decoding Unexpected Engagement Patterns on Twitter
本研究基于信号理论和注意力经济理论，提出“意外度商数”分析60万条推文，发现内容特征影响意外参与模式，为内容创作者和平台设计提供优化见解。
2025-09-09 cs.CY cs.HC cs.SI
Beyond Sentiment: Examining the Role of Moral Foundations in User Engagement with News on Twitter
该研究结合情感分析、MFT、NLP与回归建模，分析美国新闻媒体 Twitter 内容，揭示惊讶、信任和伤害等道德情感特征对用户参与的关键影响。
2025-02-17 cs.SI
Incremental Graph Computation: Anchored Vertex Tracking in Dynamic Social Networks
最近，用户参与在理解许多在线社交网络平台中的社区的衰退和扩张方面受到了极大的关注。当用户选择离开社交网络平台时，可能会导致她的朋友之间的级联退出。在许多情况下，说服关键用户在网络中保持活跃并防止这种级联是一个好主意，因为关键用户可以对整个网络的用户参与度产生重大影响。许多用户参与研究已经进行了静态的社会网络中找到一组关键（锚定）用户。然而，社交网络是高度动态的，其结构不断演变。为了充分利用锚定用户在网络中的作用，现有的研究需要在不同的时间挖掘多个锚定用户集，这带来了昂贵的计算成本。为了更好地了解用户在不断发展的网络中的参与，我们在本文中针对一个新的研究问题称为锚定顶点跟踪（AVT），旨在跟踪锚定用户在每个时间戳的不断发展的网络。尽管如此，这是不平凡的处理AVT问题，我们已经证明是NP-难的。为了解决这个问题，我们开发了一个贪心算法的启发，以前的锚定k-核心的研究在静态网络。此外，我们设计了一个增量算法，有效地解决AVT问题，利用网络结构的平滑演化。在真实数据集和人工数据集上进行的大量实验证明了我们提出的算法的性能和解决AVT问题的有效性。
2022-08-20 cs.SI
Does Geo-co-location Matter? A Case Study of Public Health Conversations during COVID-19
研究探讨地理定位对社交媒体对话的影响，通过分析新冠数据集发现地理定位与高参与度相关，情感词汇更常见于地理定位对话，结合统计分析与LLM方法验证了结论。
2026-03-22 cs.CL cs.SI
Online Engagement with Retracted Articles: Who, When, and How?
本研究分析3800余篇撤稿论文在Twitter上的传播情况，按五类用户分组对比撤稿前后的关注度与参与度，发现撤稿论文参与度更高且多发生在撤稿前，指出非专业人士的作用及平台助力早期问题科研发现的可能。
2024-01-29 cs.SI
Topology-driven Diversity for Targeted Influence Maximization with Application to User Engagement in Social Networks
对影响力最大化的研究往往要应付与向特定用户传播信息有关的营销需求。然而，很少有人注意到这样一个事实，即信息扩散运动的成功可能不仅取决于被检测到的初始影响者的数量，而且还取决于他们的多样性。竞选的目标。我们的主要假设是，如果我们学习的种子不仅能够影响，而且与更多样化的用户（群体）相关联，那么影响触发器也会多样化，因此目标用户将获得更高的参与机会。基于这种直觉，我们定义了一个新的问题，命名为多样性敏感的有针对性的影响力最大化（DTIM），它假设模型用户多样性，只利用拓扑信息的社会图。据我们所知，我们是第一个把拓扑驱动的多样性的概念到有针对性的IM问题，为此我们定义了两个替代的定义。因此，我们提出了近似的解决方案DTIM，检测一组大小为k的用户，最大限度地提高多样性敏感的资本目标函数，对于一个给定的选择目标用户。我们评估我们的DTIM方法在一个特殊的情况下，用户参与在线社交网络，这涉及到用户谁不积极参与社区生活。在真实网络上的实验评估证明了我们的方法的意义，也突出了进一步开发DTIM应用程序的解决方案的机会。
2018-04-20 cs.SI physics.soc-ph
