Social Media Use is Predictable from App Sequences: Using LSTM and Transformer Neural Networks to Model Habitual Behavior

本文介绍了一种新的方法，通过预测智能手机用户的顺序行为模式来研究社交媒体习惯。虽然大部分有关媒体和技术习惯的文献依赖于自我报告问卷和简单的行为频率测量，但我们研究了媒体和技术习惯的一个重要但鲜为人知的方面：它们嵌入于重复的行为序列中。利用长短期记忆（LSTM）和Transformer神经网络，我们表明，（i）社交媒体使用在个人内部和个人之间是可预测的，（ii）社交媒体使用的可预测性存在着稳健的个体差异。我们研究了几种建模方法的表现，包括（i）全局模型，该模型在所有参与者的数据汇总中进行训练，（ii）个体特定模型，以及（iii）在个体特定数据上进行微调的全局模型。个体特定建模和在个体特定数据上微调的表现并没有显著超过全局模型，表明全局模型能够代表各种独特的行为模式。此外，我们的分析表明，社交媒体使用的个人预测能力与智能手机的一般使用频率或社交媒体使用频率没有显著关系，表明我们的方法捕捉到了一种与行为频率不同的习惯方面。本文讨论了习惯建模和理论发展的启示。

本文试图通过预测智能手机用户行为的序列来研究社交媒体习惯的新方法。

使用LSTM和Transformer神经网络，展示了社交媒体使用在个人和群体层面上的可预测性，并且发现了个体差异。研究表明全局模型能够代表各种个体差异的行为模式。

实验结果表明，个人的社交媒体使用的可预测性与智能手机使用的频率或社交媒体使用的频率没有显著关系。研究为习惯建模和理论发展提供了启示。

在相关研究方面，最近的研究包括《A Survey on Deep Learning for Social Media》、《Predicting Personality from Social Media Text》等。