DFW-PP：基于动态特征权重的社交媒体内容流行度预测
机器学习
2021-10-19 v1 信息检索
社会与信息网络
摘要
社交媒体平台日益普及，使得研究用户参与度变得重要，而用户参与度是任何营销策略或商业模式的关键方面。社交媒体平台上内容的过度饱和促使我们去识别影响内容流行度的重要因素。这源于这样一个事实：在线海量内容中仅有极少部分获得了目标受众的关注。利用多种机器学习技术，流行度预测领域已开展大量研究。然而，我们观察到在分析媒体内容的社会重要性方面仍有显著改进空间。我们提出 DFW-PP 框架，以学习随时间变化的不同特征的重要性。此外，所提方法通过应用双对数归一化（log-log normalization）控制特征分布的偏度。所提方法在基准数据集上进行了实验，展现出 promising 的结果。代码将公开于 https://github.com/chaitnayabasava/DFW-PP。
引用
@article{arxiv.2110.08510,
title = {DFW-PP: Dynamic Feature Weighting based Popularity Prediction for Social Media Content},
author = {Viswanatha Reddy G and Chaitanya B S N and Prathyush P and Sumanth M and Mrinalini C and Dileep Kumar P and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:2110.08510},
year = {2021}
}