基于趋势信号的时间跨注意力预测后病毒化
机器学习
2026-05-06 v2 社会与信息网络
摘要
当前用于预测社交媒体病毒化的模型高度依赖静态文本与结构特征，实质上忽略了趋势信号的高度动态本质。我们研究真实注意力信号是否能在帖子文本所揭示的范围之外提升社交媒体病毒化预测。我们引入 ViralityNet，一种融合内部平台表征与来自维基百科页面浏览激增的外部时间信号的架构，用于预测 Reddit 帖子病毒化。我们将病毒化建模为二元分类任务，考虑子社区规模差异，若帖子超出 per-subreddit 参与度的第 90 百分位且满足最小绝对得分阈值，则标记为病毒化。ViralityNet 将标题嵌入、正文嵌入、结构元数据以及学习到的子社区嵌入与一个跨注意力块相结合，该跨注意力块查询 daily 滑动窗口趋势矩阵，编码前 7 天中排名前 512 的维基百科激增术语。经验结果表明，纳入外部注意力信号可持续获益，超越仅文本基线 +0.015 AUC-PR，实现整体 AUC-ROC 为 0.836。总体而言，我们提供证据表明，纳入外部注意力信号在仅文本基线之上实现可测量的改进，凸显真实世界动态在塑造在线病毒化中的重要性。
引用
@article{arxiv.2605.02358,
title = {Predicting Post Virality with Temporal Cross-Attention over Trend Signals},
author = {Sarvagya Somvanshi and Mohan Xu and Rakhi Chadalavada and Nathan Canera},
journal= {arXiv preprint arXiv:2605.02358},
year = {2026}
}