[论文解读] Do Cascades Recur

Justin Cheng, Lada A. Adamic+2 more|arXiv (Cornell University)|Feb 2, 2016

Complex Network Analysis Techniques参考文献 43被引用 13

一句话总结

本文研究了在Facebook上长期时间尺度下社交媒体内容传播的重复性，发现许多大型传播事件经历多个活跃期，其间穿插着安静期。通过真实世界数据和一个简单的模拟模型，研究显示初始病毒式传播强烈预测了重复性，尽管随着受众趋于饱和，重复率会下降。

ABSTRACT

Cascades of information-sharing are a primary mechanism by which content reaches its audience on social media, and an active line of research has studied how such cascades, which form as content is reshared from person to person, develop and subside. In this paper, we perform a large-scale analysis of cascades on Facebook over significantly longer time scales, and find that a more complex picture emerges, in which many large cascades recur, exhibiting multiple bursts of popularity with periods of quiescence in between. We characterize recurrence by measuring the time elapsed between bursts, their overlap and proximity in the social network, and the diversity in the demographics of individuals participating in each peak. We discover that content virality, as revealed by its initial popularity, is a main driver of recurrence, with the availability of multiple copies of that content helping to spark new bursts. Still, beyond a certain popularity of content, the rate of recurrence drops as cascades start exhausting the population of interested individuals. We reproduce these observed patterns in a simple model of content recurrence simulated on a real social network. Using only characteristics of a cascade's initial burst, we demonstrate strong performance in predicting whether it will recur in the future.

研究动机与目标

• 理解社交媒体内容传播在初始病毒式传播之后的长期动态。
• 研究Facebook上的大型传播事件是否会在长时间内经历多次受欢迎的爆发。
• 识别影响信息传播重复性的因素，包括网络接近度和人口多样性。
• 基于初始爆发特征，构建并验证一个预测传播重复性的模型。

提出的方法

• 分析大规模Facebook数据，以追踪内容传播在长时间内的演变。
• 通过识别爆发之间的时间间隔、网络重叠度以及各高峰期间的人口多样性，衡量传播的重复性。
• 在真实社交网络上构建一个简单模拟模型，以重现观察到的重复性模式。
• 利用初始传播爆发的特征（如传播范围和早期互动）来预测未来的重复性。
• 通过统计比较观察到的重复性与模型生成的模式，验证预测结果。

实验结果

研究问题

• RQ1 Facebook上的大型内容传播事件是否会在长时间内经历多次受欢迎的爆发？
• RQ2 哪些因素（如网络接近度或人口多样性）会影响传播的重复性？
• RQ3 初始病毒式传播在多大程度上影响传播未来再次爆发的可能性？
• RQ4 在仅使用传播初始爆发数据的前提下，重复性在多大程度上可以被预测？
• RQ5 随着传播变得越来越受欢迎，受众饱和如何影响重复率？

主要发现

• 许多Facebook上的大型传播事件表现出多个被静默期分隔的受欢迎爆发，挑战了传播仅发生一次爆发的假设。
• 初始病毒式传播是重复性的强预测因子，病毒式传播越强，内容经历多次受欢迎高峰的可能性越大。
• 当传播超过某一受欢迎阈值后，重复率下降，表明存在受众饱和效应。
• 通过多个副本提供内容可得性显著提高了新爆发的可能性，支持冗余在重复性中的作用。
• 在真实社交网络上构建的简单模拟模型成功重现了观察到的重复性模式，验证了其背后机制的合理性。
• 仅使用初始传播爆发的特征进行重复性预测，性能表现强劲，证明了其在早期预测中的实际应用价值。