OmniTrend：面向可扩展社交流行度预测的内容-上下文建模
计算机视觉与模式识别
2026-04-30 v1
摘要
预测社交媒体的流行度需要理解内容的内在吸引力以及决定其向用户暴露的外部上下文。现有方法侧重于内容信号，却未将其与暴露相关模式区分，导致学习到的表征吸收了平台特定的可见性效应，削弱了可解释性和跨平台迁移能力。本文引入 OmniTrend，一个统一框架，将流行度建模为内容吸引力与上下文暴露的联合结果。内容模块从视觉、音频和文本线索中学习跨模态表征，以量化内在吸引力；而上下文模块则从发布时间、作者活跃度、主题趋势以及基于检索的邻域统计等外生信号中估计暴露程度。OmniTrend 学习内容吸引力和上下文暴露的独立预测器，并在最终的流行度估计中对其进行集成，这使得每个因素的作用变得显式，支持跨图像和视频平台的稳健迁移。
引用
@article{arxiv.2604.26252,
title = {OmniTrend: Content-Context Modeling for Scalable Social Popularity Prediction},
author = {Liliang Ye and Guiyi Zeng and Yunyao Zhang and Yi-Ping Phoebe Chen and Junqing Yu and Zikai Song},
journal= {arXiv preprint arXiv:2604.26252},
year = {2026}
}