社交媒体扩散中的用户参与度预测与竞争级联：一种Hawkes-Transformer方法

《PLOS One》：Forecasting user engagement and competing cascades in social media diffusion: A Hawkes-Transformer approach

　　

社交媒体已演变为塑造公众注意力、社会互动和信息治理的社会技术基础设施。理解转发、评论和点赞等用户参与度行为如何共同影响信息扩散，对于预测数字动态至关重要。利用来自新浪微博的大规模数据，研究人员开发了一种混合Hawkes-Transformer框架，该框架结合了自激点过程（Self-exciting point processes）的可解释性与深度学习的预测能力。该模型不仅捕获了帖子内部的互动，还捕获了同一热门话题下平行帖子之间的竞争。实证结果表明，转发通过自激励强烈地放大了扩散，而评论则可能通过转移用户注意力来抑制扩散。此外，平行的级联倾向于碎片化，而不是强化信息流。通过将Hawkes估计的参数作为结构化输入并入Transformer模型，所提出的方法在保持可解释性的同时提高了预测性能。这些发现为社交媒体环境中注意力的分配和竞争提供了见解，对理解算法可见性和管理信息扩散具有重要意义。

在当今算法中介化的社会中，社交媒体平台已成为信息与影响力的核心基础设施。大量信息系统和社会科学研究探讨了用户参与度行为如何塑造信息扩散，但现有研究多将转发、点赞和评论视为孤立的活动，忽略了它们之间的相互依赖性。在现实中，这些参与度类型相互作用，共同决定了内容可见性和注意力分配的轨迹。此外，现有的扩散模型往往假设内容流是独立运行的，忽略了同一话题下的多个帖子通常会竞争有限的用户注意力。针对这些研究空白，研究人员利用新浪微博的大规模数据，开发了一种混合Hawkes-Transformer框架。该研究构建了以转发的多变量Hawkes过程为核心的框架，以捕捉时间维度的自激励和跨行为效应，随后将估计出的参数作为结构化先验知识集成到基于Transformer的预测模型中。研究结论表明，混合模型能够更准确地预测数字参与度，并揭示了不同参与度行为之间的非加性相互作用，以及算法可见性如何影响集体注意力。论文发表在《PLOS One》期刊，为数字治理、注意力管理和内容策略提供了重要的理论与方法学意义。

在核心技术方法上，研究人员使用了2024年9月1日至15日间出现在新浪微博热搜榜上的3,662个热门话题及29,316个相关帖子的数据队列。方法上，首先构建了以转发为中心的多变量Hawkes过程模型，以联合估计帖子内部跨行为的自激励效应以及跨 级联的竞争效应；其次，利用微调的BERT模型对评论文本进行情感分析；最后，将Hawkes模型提取的结构化参数与时变参与度特征进行拼接，作为先验知识输入到Transformer深度学习模型中，以执行序列预测任务。

研究结果部分总结如下：
社交媒体平台：新浪微博
研究人员分析了新浪微博热搜榜的生态结构，发现每天大约有15,700个热门话题产生，但在任何特定时间只有50个话题被展示，这凸显了用户注意力的激烈竞争。作者引入了“活跃用户”这一结构概念（在特定时间间隔内与帖子产生互动的唯一用户数量），以从受众广度的角度补充基于转发的扩散深度指标。

数据收集
数据包含3,662个热门话题和29,316个相关帖子。由于新浪微博不提供点赞的时间戳，研究人员将累积点赞数作为基准强度μ?的协变量而非独立的事件过程。无模型证据显示，绝大多数参与度增长发生在帖子发布后的前十小时内，因此研究人员将观察窗口设定为10小时，以平衡动态捕获与计算可行性。

信息扩散的多变量参与度事件模型
该部分构建了以转发为中心的条件强度函数λ?(t)。模型采用指数衰减核函数来刻画历史事件对未来的激励，并分别包含了直接驱动信息扩散的转发自激励组件，以及不限制正负号、可表征激励或抑制效应的评论诱导组件。

具有跨级联效应的多变量自激过程
模型进一步扩展以包含跨级联效应，将同一热门话题下平行帖子的历史转发事件作为外生输入纳入焦点帖子的强度函数中。跨级联参数被设定为不限制正负号，从而允许模型灵活捕捉平行帖子之间的相互抑制（注意力竞争）或相互强化现象。

模型估计过程与结果
利用最大似然估计（MLE），研究人员对28,219个帖子成功估计了参数。结果显示，转发表现出强烈且迅速衰减的自激励效应；而评论对转发强度的平均影响为负值（-0.412），表明其总体上抑制了进一步的信息扩散。此外，跨级联参数的平均值为-0.193，证明平行信息流之间主要表现为相互抑制的注意力竞争关系。残差分析和Kolmogorov-Smirnov检验证实了该点过程模型具有良好且稳健的拟合度。

评论情感分析
为排除负面话语的混淆干扰，研究人员利用微调的BERT模型引入了随时间变化的负面评论比例情感协变量。在控制了情感极性之后，评论强度与未来转发量之间的负关联依然高度稳健。同时发现，负面评论比例与未来转发量呈显著负相关关系。

基于先验知识的Transformer模型
研究人员将8个Hawkes模型参数与4个动态特征（包括评论情感）拼接，形成12维向量输入到Transformer编码器中。预测结果显示，Hawkes-Transformer模型在转发量和活跃用户预测上均表现出低误差率与稳健的拟合度。消融分析进一步证实，与不含Hawkes参数的基准Transformer模型相比，包含结构化先验知识能显著降低均方误差（MSE）并提升R²值，说明结合理论驱动的Hawkes参数为深度学习模型提供了关键的动态信息增益。

在讨论部分，研究人员进一步阐述了不同参与行为对内容扩散的对抗性影响。转发通过可见度及社会证明机制表现出核心的自激励驱动效应；点赞通过内容价值的确认启发式产生有限的间接强化作用；而评论则通过替代效应、情绪调节和参与度碎片化等三种机制对转发扩散产生抑制效应。跨级联的抑制现象表明，在算法推荐机制下，张力有限的多条平行信息流倾向于相互蚕食注意力。该研究在理论上统一了多变量自激励与跨级联竞争机制，在实践上为平台的算法可见性管理与数字治理提供了深远的决策参考。