时间至关重要：社交媒体热度的多尺度时间化建模

社交媒体热度的演化呈现出丰富的时间性，即热度在不同时间粒度层面上随时间变化。这受公众注意力或用户活动的时间变化影响。例如，Flickr上街拍的热度模式在特定时间尺度上展现出 distinctive 的时尚风格，如风衣（Trench Coat）基于季节的周期性波动或晚礼服（Evening Dress）在数天内的单次峰值。然而，这一事实常被现有的热度建模研究忽视。我们提出首项将多时间尺度动态纳入在线热度预测的研究。文中提出一种名为多尺度时间化（Multi-scale Temporalization）的新计算框架，通过在用户、帖子和时间的张量空间中基于联合低秩约束的多尺度分解与结构重建来估计热度。考虑到上下文不一致引发的噪声，我们设计了一个基于上下文聚合的数据重排步骤作为预处理，以增强张量空间中邻近数据的上下文相关性。因此，我们的方法能利用多层次时间特征并降低数据分解噪声，从而提升建模有效性。我们在两个总计超180万张照片的大规模Flickr图像数据集上评估所提方法在热度预测任务上的表现。结果显示，我们的方法显著优于最先进（SOTA）的热度预测技术，预测准确率相对提升10.9%–47.5%。