論文の概要: Predicting Social Media Engagement using Machine Learning

• arxiv url: http://arxiv.org/abs/2609.16082v1
• Date: Mon, 14 Sep 2026 00:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.132736
• Title: Predicting Social Media Engagement using Machine Learning
• Title（参考訳）: 機械学習によるソーシャルメディアのエンゲージメント予測
• Abstract要約: われわれは、Facebook上の家具会社の画像投稿を収集し、視覚的、時間的、テキスト的特徴を抽出する。 我々は,複数の機械学習モデルを評価し,ソーシャルメディア利用のドライバと予測能力を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media platforms are popular channels for disseminating information, owing to their large user bases and ease of access. Companies also use social media as an important aspect of the advertising process. By creating high-quality posts, companies can strengthen their engagement metrics and increase their follower count. While a growing body of research has examined social media engagement, fewer studies have jointly examined the visual, textual, and temporal features of image posts, even though these features collectively determine the performance of content on social media. To understand the important drivers of social media engagement, we collect image posts of furniture firms on Facebook and extract visual, temporal, and textual features from them using text and image analytics methods. We evaluate several machine learning models - including Random Forest, Light Gradient Boosting Machine (LightGBM), and eXtreme Gradient Boosting (XGBoost) - to assess the drivers and the prediction power of social media engagement using the features from our data. Our research quantifies the extent to which these features are associated with interactions and provides recommendations that organizations may consider.
• Abstract（参考訳）: ソーシャルメディアプラットフォームは、大きなユーザー基盤とアクセスの容易さのために、情報を広めるための人気のあるチャンネルである。 企業は、広告プロセスの重要な側面としてソーシャルメディアを使用している。 高品質な投稿を作ることで、企業はエンゲージメントの指標を強化し、フォロワー数を増やすことができる。 ソーシャルメディアのエンゲージメントを調査する研究機関が増えている一方で、ソーシャルメディア上のコンテンツのパフォーマンスを総合的に決定するにもかかわらず、画像投稿の視覚的、テキスト的、時間的特徴を共同で調査する研究は少ない。 ソーシャルメディアのエンゲージメントの重要な要因を理解するため、Facebook上の家具会社の画像投稿を収集し、テキストおよび画像分析手法を用いて視覚的、時間的、テキスト的特徴を抽出する。 我々は、Random Forest、Light Gradient Boosting Machine(LightGBM)、eXtreme Gradient Boosting(XGBoost)など、いくつかの機械学習モデルを評価し、私たちのデータから特徴を用いて、ソーシャルメディアエンゲージメントのドライバと予測能力を評価する。 我々の研究は、これらの特徴が相互作用と関連している範囲を定量化し、組織が考慮すべきレコメンデーションを提供する。

関連論文リスト

• The Rise of AI Agent Communities: Large-Scale Analysis of Discourse and Interaction on Moltbook [62.2627874717318]
  MoltbookはRedditに似たソーシャルプラットフォームで、AIエージェントが投稿を作成し、コメントや返信を通じて他のエージェントと対話する。 ローンチから約5日後に収集された公開APIスナップショットを使用して、AIエージェントが何を議論しているか、どのように投稿するか、どのように相互作用するのかという3つの研究課題に対処する。 エージェントの執筆は、主に中立であり、コミュニティエンゲージメントや支援指向のコンテンツに肯定性があることが示される。
  論文  参考訳（メタデータ） (2026-02-13T05:28:31Z)
• SoMe: A Realistic Benchmark for LLM-based Social Media Agents [64.05026384906915]
  SoMeは、ソーシャルメディアデータにアクセスし分析するための様々なエージェントツールを備えたソーシャルメディアエージェントを評価するために設計されたベンチマークである。 SoMeは8つのソーシャルメディアエージェントタスク、9,164,284の投稿、6,591のユーザープロフィール、さまざまなソーシャルメディアプラットフォームや外部ウェブサイトからの25,686のレポートで構成されている。 定量的,質的な分析により,現実的なソーシャルメディア環境における主流エージェントLLMの性能について概観する。
  論文  参考訳（メタデータ） (2025-12-09T08:36:09Z)
• SoMeLVLM: A Large Vision Language Model for Social Media Processing [78.47310657638567]
  ソーシャルメディア処理のための大規模ビジョン言語モデル(SoMeLVLM)を提案する。 SoMeLVLMは、知識と理解、応用、分析、評価、作成を含む5つの重要な機能を備えた認知フレームワークである。 実験により,複数のソーシャルメディアタスクにおいて,SoMeLVLMが最先端のパフォーマンスを達成できることが実証された。
  論文  参考訳（メタデータ） (2024-02-20T14:02:45Z)
• Predicting Tweet Engagement with Graph Neural Networks [0.0]
  本稿では、新しいグラフベースモデルに基づいて、ユーザエンゲージメントを予測するグラフニューラルネットワークソリューションであるTweetGageを提案する。 提案を検証するために、Twitterプラットフォームに注目し、徹底的な実験的キャンペーンを実施します。
  論文  参考訳（メタデータ） (2023-05-17T10:09:40Z)
• Yourfeed: Towards open science and interoperable systems for social media [1.8623205938004257]
  既存のソーシャルメディアプラットフォームは、研究者がソーシャルメディアで研究を行うことを非常に困難にしている。 このギャップを埋めるため、生態学的に有効なソーシャルメディア研究を行うための研究ツールであるYourfeedを紹介した。
  論文  参考訳（メタデータ） (2022-07-15T13:49:51Z)
• MONITOR: A Multimodal Fusion Framework to Assess Message Veracity in Social Networks [0.0]
  ソーシャルネットワークのユーザーは、コンテンツをほとんど抑制せずに投稿し共有する傾向がある。 噂や偽ニュースは急速に広まる可能性がある。 これはソーシャルメディアの信頼性を脅かし、現実の生活に深刻な結果をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-09-06T07:41:21Z)
• Enhancing Social Relation Inference with Concise Interaction Graph and Discriminative Scene Representation [56.25878966006678]
  我々はtextbfSocial rtextbfElation (PRISE) における textbfPractical textbfInference のアプローチを提案する。 人の対話的特徴と全体主義的な場面の識別的特徴を簡潔に学習する。 PRISEはPIPAデータセットにおけるドメイン分類の改善を6.8$%で達成している。
  論文  参考訳（メタデータ） (2021-07-30T04:20:13Z)
• Can You be More Social? Injecting Politeness and Positivity into Task-Oriented Conversational Agents [60.27066549589362]
  人間エージェントが使用する社会言語は、ユーザーの応答性の向上とタスク完了に関連しています。 このモデルは、ソーシャル言語理解要素で拡張されたシーケンスからシーケンスまでのディープラーニングアーキテクチャを使用する。 人的判断と自動言語尺度の両方を用いたコンテンツ保存と社会言語レベルの評価は,エージェントがより社会的に適切な方法でユーザの問題に対処できる応答を生成できることを示している。
  論文  参考訳（メタデータ） (2020-12-29T08:22:48Z)
• Cross-Media Keyphrase Prediction: A Unified Framework with Multi-Modality Multi-Head Attention and Image Wordings [63.79979145520512]
  マルチメディア投稿におけるキーワード予測におけるテキストと画像の併用効果について検討する。 複雑なマルチメディアインタラクションを捉えるために,M3H-Att(Multi-Modality Multi-Head Attention)を提案する。 我々のモデルは,従来の注目ネットワークに基づいて,過去の技術状況よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-11-03T08:44:18Z)
• Including Images into Message Veracity Assessment in Social Media [0.0]
  ソーシャルメディアは、噂が広まるための土台を築き、ソーシャルメディアの信頼性に大きな影響を及ぼす可能性がある。 本稿では,テキストコンテンツと視覚コンテンツの両方の信頼性を解析することにより,ソーシャルネットワーク上でのメッセージの正確性を評価するための2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-20T08:42:17Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。