面向任意时间跨度的社交媒体热度预测

实时预测社交媒体内容的热度需要能在全球尺度高效运行的方法。热度预测对许多应用十分重要，包括检测有害病毒式内容以实现及时的内容审核。该预测任务困难，因为浏览量源于用户兴趣、内容特征、转发、信息流排序与网络结构之间的交互。我们考虑准确预测内容项自创建以来任意给定预测时刻以及未来任意时间跨度的热度的问题。为在不同预测时间跨度上实现高准确度，模型必须使用（内容与用户的）静态特征以及截至预测时刻的观测热度增长。我们提出一种基于自激 Hawkes 点过程模型的特征方法，其涉及预测内容在一个或多个参考跨度的热度，同时点预测反映热度增长时间尺度的有效增长参数。由此得到一种高度可扩展的任意预测时间跨度热度预测方法，相较于若干领先基线，在覆盖数十亿内容浏览量与数十万不同内容项的 Facebook 公开主页内容两个月数据集上亦达到高准确度。该模型相对于由针对特定预测时间跨度分别训练的模型组成的强基线展现出有竞争力的预测准确度。