深度外生与内生影响组合用于社交闲聊强度预测

对社交媒体上用户参与动态建模在用户画像检测和政治话语挖掘中有引人注目的应用。大多数现有方法严重依赖于底层用户网络的知识。然而，大量讨论发生在缺乏可靠社交网络或仅部分揭示用户间联系的平台上（Reddit、Stackoverflow）。许多方法需要在观察讨论相当长一段时间后才能做出有用的预测。在实时流式场景中，观察会产生成本。最后，大多数模型没有捕捉外生事件（如外部发布的新闻文章）和网络内效应（如Reddit上的后续讨论）之间的复杂交互以确定参与水平。为了解决上述三个局限性，我们提出了一个新颖的框架ChatterNet，据我们所知，这是第一个可以在不考虑底层用户网络的情况下建模和预测用户参与的框架。给定时间戳新闻文章和讨论的流，任务是在时间范围之前观察流一段短时间，然后预测闲聊：在时间范围之后指定时间段内的讨论量。ChatterNet使用一种新颖的时间演化循环网络架构处理新闻和讨论的文本，该架构同时捕获新闻和讨论内部的时间属性以及新闻对讨论的影响。我们使用两个月的Reddit讨论语料库和同时期的Common Crawl在线新闻文章语料库进行了大量实验。ChatterNet在参与预测的最新最先进模型之上显示出显著改进。在43个不同子版块上控制观察和预测窗口的详细研究产生了进一步有用的见解。