Enhancing Social Media Post Popularity Prediction with Visual Content

我们的研究提出了一个框架，用于预测基于图片的社交媒体内容的受欢迎程度，重点解决复杂的图像信息和分层数据结构的问题。我们利用Google Cloud Vision API有效地从用户发布中提取关键的图像和颜色信息，相比仅使用非图像协变量，我们实现了6.8%的更高准确性。在预测方面，我们探索了广泛的预测模型，包括线性混合模型、支持向量回归、多层感知器、随机森林和XGBoost，其中线性回归作为基准。我们的对比研究表明，能够捕捉协变量之间潜在非线性交互的模型优于其他方法。

本文旨在解决预测基于图像的社交媒体内容受欢迎程度的问题，通过处理复杂的图像信息和分层数据结构来实现。

本文利用Google Cloud Vision API从用户发布的内容中有效提取关键的图像和颜色信息，将其与非图像协变量相结合，实现比仅使用非图像协变量更高6.8%的准确度。为了预测，我们探索了一系列预测模型，包括线性混合模型、支持向量回归、多层感知机、随机森林和XGBoost，其中线性回归作为基准。我们的比较研究表明，能够捕捉协变量之间潜在的非线性相互作用的模型优于其他方法。

该研究的亮点包括：使用Google Cloud Vision API提取图像和颜色信息，结合非图像协变量预测社交媒体内容的受欢迎程度；比较了多种预测模型的性能，发现能够捕捉协变量之间潜在的非线性相互作用的模型表现更好。

在这个领域中，最近的相关研究包括：1. “Predicting Image Popularity in Social Media using a Regression Model”；2. “Deep Learning for Predicting Image Popularity in Social Media”；3. “Aesthetic Quality Assessment of Consumer Photos with Deep Learning”等。