全球在线媒体新闻病毒式传播的可扩展预测

新闻报道塑造了公众对全球关键社会、政治和经济事件的认知。然而，新闻中对涌现现象的报道方式使得此类现象的早起预测成为一项具有挑战性的任务。我们提出了一种可扩展的基于社区的概率框架，用于建模在线媒体中事件新闻的传播。我们的方法利用全球新闻媒体的潜在社区结构，并使用早期采纳者对不同社区的归属关系，在其传播早期阶段识别新闻中广泛报道的事件。我们方法的时间复杂度关于新闻报道数量呈线性，并且也适于高效并行化。为展示这些特性，该推断算法针对消息传递范式进行了并行化，并在 RPI 高级多处理优化系统（AMOS）——世界上最快的 Blue Gene/Q 超级计算机之一——上进行了测试。得益于早期采纳者的社区级特征，与基于特征的机器学习算法相比，该模型在最广泛报道事件的早期检测上获得了 20% 的提升。其并行化方案实现了数量级的加速。