贝叶斯混合Hawkes模型：估计在线流行性的推动因素

社交媒体上内容的传播受三个层面的相互作用因素的影响：源头、内容本身以及内容传播的路径。在最底层，内容共享用户的受欢迎程度决定其最终覆盖范围。然而，更高层次的因素，如在线物品的性质及其来源的可信度，也在决定内容传播的广度和速度方面发挥着关键作用。本文提出贝叶斯混合Hawkes（BMH）模型，以联合方式学习源头、内容和传播的影响。我们将BMH模型形式化为可容纳不同Hawkes动力学类别以及特征集对这些类别影响的分层混合模型。在两个学习任务上测试BMH模型：冷启动流行性预测和时序概括性能测试，分别应用到两个真实世界的转发级联数据集中，涉及来自争议性和传统媒体出版物的文章。BMH模型在两个数据集上均优于当前最先进的模型和预测基线，并比替代方案更有效地利用级联和物品级别的信息。最后，我们进行反事实分析，将训练好的出版物级别BMH模型应用于一组文章标题，展示了标题写作风格（中性、点击 bait、煽动性）的有效性在不同出版物之间存在差异。BMH模型揭示了争议性出版物与可信赖出版物之间在风格有效性上的差异，其中我们发现点击 bait在可信赖出版物中尤其有效，而争议性出版物则过度使用点击 bait。