[论文解读] Stochastic Models Predict User Behavior in Social Media

Tad Hogg, Kristina Lerman+1 more|arXiv (Cornell University)|Sep 8, 2013

Complex Network Analysis Techniques被引用 5

一句话总结

本文提出了一种随机模型，通过建模用户在回应社交媒体内容（特别是在Twitter上回应倡导者）之前经历隐藏状态的过程，来捕捉用户在社交媒体中的行为。该模型在预测用户参与度方面优于简单模型，并通过考虑动态用户状态和界面因素，识别出高度感兴趣的用户。

ABSTRACT

User response to contributed content in online social media depends on many factors. These include how the site lays out new content, how frequently the user visits the site, how many friends the user follows, how active these friends are, as well as how interesting or useful the content is to the user. We present a stochastic modeling framework that relates a user's behavior to details of the site's user interface and user activity and describe a procedure for estimating model parameters from available data.We apply the model to study discussions of controversial topics on Twitter, specifically, to predict how followers of an advocate for a topic respond to the advocate's posts. We show that a model of user behavior that explicitly accounts for a user transitioning through a series of states before responding to an advocate's post better predicts response than models that fail to take these states into account. We demonstrate other benefits of stochastic models, such as their ability to identify users who are highly interested in advocate's posts.

研究动机与目标

• 开发一种随机框架，以建模社交媒体中的用户响应行为，同时考虑动态用户状态和界面因素。
• 预测社交媒体倡导者的关注者对其帖子的响应方式，特别是在有争议话题上的响应。
• 从现实世界数据（如Twitter活动和用户互动）中估计模型参数。
• 通过基于状态的行为建模，识别出对倡导者内容高度感兴趣的用户。

提出的方法

• 该模型采用隐马尔可夫模型（HMM）框架，表示用户在响应帖子前经历未被观测到的状态转换。
• 用户状态代表不同程度的关注或兴趣，其转换受网站布局、访问频率和好友活动的影响。
• 该模型整合了可观测因素，如好友数量、其活跃度以及内容相关性，以预测响应可能性。
• 使用最大似然估计法，基于涉及有争议话题讨论的真实Twitter数据进行参数估计。
• 将该模型在响应预测准确性方面与不考虑状态转换的基线模型进行比较。
• 通过分析状态转换框架内响应的频率和时间，识别出高度感兴趣的用户。

实验结果

研究问题

• RQ1 用户界面设计和用户活动模式如何影响对社交媒体内容的响应行为？
• RQ2 建模用户状态转换是否能提升对Twitter上倡导者帖子响应的预测能力？
• RQ3 网络因素（如好友数量、好友活跃度）在用户响应行为中起什么作用？
• RQ4 如何利用随机模型识别出对特定内容高度感兴趣的用户？
• RQ5 考虑隐藏用户状态是否能带来优于静态模型的预测性能？

主要发现

• 基于状态的随机模型在预测用户对倡导者帖子的响应方面，显著优于忽略用户状态转换的模型。
• 考虑用户状态转换可提高预测准确性，特别是在捕捉延迟响应或非即时响应方面表现更优。
• 该模型能成功基于响应模式和时间特征，识别出对倡导者内容高度感兴趣的用户。
• 用户响应行为受到网站布局、访问频率以及好友活跃度的强烈影响。
• 该模型揭示，用户参与度并非瞬时发生，而是由一系列注意力状态构成，必须显式建模。
• 从真实Twitter数据中估计出的参数证实了该模型在现实世界社交媒体分析中的可行性与实际应用价值。