Social media, such as Facebook and WeChat, empowers millions of users to create, consume, and disseminate online information on an unprecedented scale. The abundant information on social media intensifies the competition of WeChat Public Official Articles (i.e., posts) for gaining user attention due to the zero-sum nature of attention. Therefore, only a small portion of information tends to become extremely popular while the rest remains unnoticed or quickly disappears. Such a typical “long-tail” phenomenon is very common in social media. Thus, recent years have witnessed a growing interest in predicting the future trend in the popularity of social media posts and understanding the factors that influence the popularity of the posts. Nevertheless, existing predictive models either rely on cumbersome feature engineering or sophisticated parameter tuning, which are difficult to understand and improve. In this paper, we study and enhance a point process-based model by incorporating visual reasoning to support communication between the users and the predictive model for a better prediction result. The proposed system supports users to uncover the working mechanism behind the model and improve the prediction accuracy accordingly based on the insights gained. We use realistic WeChat articles to demonstrate the effectiveness of the system and verify the improved model on a large scale of WeChat articles. We also elicit and summarize the feedback from WeChat domain experts.

中文翻译：

---

WeSeer：可视化分析可更好地预测微信文章的信息级联

诸如Facebook和微信之类的社交媒体使数百万用户能够以前所未有的规模创建，使用和传播在线信息。由于关注的总和为零，因此社交媒体上的大量信息加剧了微信公众官方文章（即帖子）在争取用户关注方面的竞争。因此，只有一小部分信息趋向于变得非常流行，而其余信息仍然未被注意或迅速消失。这种典型的“长尾”现象在社交媒体中非常普遍。因此，近年来，人们对预测社交媒体帖子的流行趋势以及了解影响帖子流行的因素的兴趣日益浓厚。不过，现有的预测模型要么依赖繁琐的特征工程，要么依赖复杂的参数调整，这些难以理解和改进。在本文中，我们通过结合视觉推理来支持和改进用户模型和预测模型之间的交流，从而研究和增强基于点过程的模型。所提出的系统支持用户发现模型背后的工作机制，并根据获得的见解相应地提高预测精度。我们使用现实的WeChat文章来演示系统的有效性，并在大规模的WeChat文章上验证改进后的模型。我们还从微信领域专家那里收集并总结了反馈。我们通过结合视觉推理来研究和增强基于点过程的模型，以支持用户与预测模型之间的交流以获得更好的预测结果。所提出的系统支持用户发现模型背后的工作机制，并根据获得的见解相应地提高预测精度。我们使用现实的WeChat文章来演示系统的有效性，并在大规模的WeChat文章上验证改进后的模型。我们还从微信领域专家那里收集并总结了反馈。我们通过结合视觉推理来研究和增强基于点过程的模型，以支持用户与预测模型之间的交流以获得更好的预测结果。所提出的系统支持用户发现模型背后的工作机制，并根据获得的见解相应地提高预测精度。我们使用现实的WeChat文章来演示系统的有效性，并在大规模的WeChat文章上验证改进后的模型。我们还从微信领域专家那里收集并总结了反馈。我们使用现实的微信文章来演示系统的有效性，并在大规模的微信文章上验证改进后的模型。我们还从微信领域专家那里收集并总结了反馈。我们使用现实的微信文章来演示系统的有效性，并在大规模的微信文章上验证改进后的模型。我们还从微信领域专家那里收集并总结了反馈。