从时间序列中发现在线热度模式
机器学习
2019-04-11 v1 社会与信息网络
机器学习
摘要
在线热度是如何获得的？成功是否严格依赖于在在线平台上迅速走红，还是有可能以稳健而有规律的方式获得热度？还有哪些时间特征能够揭示在线内容的热度？为了回答这些问题，我们利用对热门在线内容演变的多面时间序列分析。在此，我们提出 dipm-SC：一种基于形状的多维时间序列聚类算法，并带有寻找最优聚类数的启发式方法。首先，我们在由基准时间序列模型生成的合成数据集上验证了我们算法的准确性。其次，我们展示了 dipm-SC 能够在真实世界的 Twitter 数据集中揭示有意义的热度行为聚类。通过对内容热度的多维时间序列与其他领域特定维度进行聚类，我们发现了两种主要的热度模式：突发型和稳健型时间行为。此外，我们发现随时间获得热度的方式对最终累积热度没有显著影响。
引用
@article{arxiv.1904.04994,
title = {Discovering patterns of online popularity from time series},
author = {Mert Ozer and Anna Sapienza and Andrés Abeliuk and Goran Muric and Emilio Ferrara},
journal= {arXiv preprint arXiv:1904.04994},
year = {2019}
}