用循环神经网络建模异步社交媒体流中的热度
社会与信息网络
2018-04-12 v2 机器学习
摘要
理解和预测在线条目的热度是社交媒体分析中的一个重要开放问题。近期在数据驱动预测以及将热度与外部推广相关联方面已取得显著进展。然而，现有方法通常聚焦于单一外部影响因素，而对于许多类型的在线内容（如 YouTube 视频或新闻文章），其关注度由多个异质来源同时驱动——例如微博或传统媒体报道。本文提出 RNN-MAS，一种用于建模异步流的循环神经网络。它是一个通过联合推断连接多个不同粒度流的序列生成器。我们展示 RNN-MAS 不仅以 17% 的优势超越当前最先进的 YouTube 热度预测系统，还能捕捉复杂动态，如未见影响的季节性趋势。我们定义两个新指标：推广分数量化了一段 YouTube 视频单位推广所带来的热度增益；响度水平捕捉特定用户发推提及该视频的效应。我们利用响度水平来比较由单一高粉丝用户（粉丝量前 1%）推广视频与由一群中等粉丝用户推广的效果。我们发现结果取决于被推广内容的类型：超级用户在推广 Howto 与游戏视频上更为成功，而普通用户群体在推广社会活动视频上更具影响力。本工作提供了更准确且可解释的热度预测，以及供内容生产者与营销人员分配推广活动资源的计算工具。
引用
@article{arxiv.1804.02101,
title = {Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks},
author = {Swapnil Mishra and Marian-Andrei Rizoiu and Lexing Xie},
journal= {arXiv preprint arXiv:1804.02101},
year = {2018}
}