对社交媒体流行度预测中隐式社交因素进行对比学习
社会与信息网络
2024-10-15 v1 人工智能
摘要
在社交媒体分享平台上，一些帖子本质上注定要获得流行。因此，理解这一现象的原因并在帖子发布前预测其流行度具有重要的实际价值。以前的工作主要关注增强帖子内容提取以获得更好的预测结果。然而，某些由社交平台引入的因素也影响帖子的流行度，这些因素尚未得到广泛研究。例如，用户更倾向于与他们关注的个人的帖子进行互动，这可能影响这些帖子的流行度。我们将这些与内容显著性无关的因素称为隐式社交因素。通过分析用户的帖子浏览行为（也在公开数据集中得到验证），我们提出了三个与流行度相关的隐式社交因素，包括内容相关性、用户影响力相似性和用户身份。为了建模这些提议的社交因素，我们引入了三个监督对比学习任务。对于不同的任务目标和数据类型，我们将它们分配给不同的编码器并控制其梯度流以实现联合优化。我们还设计了相应的抽样和增强算法以提高对比学习的效果。在 Social Media Popularity Dataset 上的大量实验验证了我们提议方法的优越性，也确认了隐式社交因素在流行度预测中的重要作用。我们在 https://github.com/Daisy-zzz/PPCL.git 上开源代码。
引用
@article{arxiv.2410.09345,
title = {Contrastive Learning for Implicit Social Factors in Social Media Popularity Prediction},
author = {Zhizhen Zhang and Ruihong Qiu and Xiaohui Xie},
journal= {arXiv preprint arXiv:2410.09345},
year = {2024}
}