Social media posts popularity prediction during long-running live events. A case study on fashion week

In the last few years, social media has dominated various aspects of people's life including social events. Users participate more and more in long-running periodical events in social media, by sharing their experiences and preferences. This information provides unprecedented opportunities allowing businesses to promote their brands coverage by using word-of-mouth (WOM), that is enabled by the user generated contents (UGCs). Studying social media content popularity by considering the societies' behavioral patterns is, therefore, paramount. In this thesis, we inspect users’ engagement motives in long-running events by means of a comprehensive statistical analysis of fashion week events on Instagram. Additionally, we develop a multi-modal approach to solve the problem of post popularity prediction that exploits potentially influential factors and apply it on fashion week events. We employ two metrics for implementing a filter feature selection technique, together with an automated grid search for optimizing hyper-parameters in four regression methods: ridge, support vector regressor, gradient tree boosting and neural networks.

Negli ultimi anni, i social media hanno dominato vari aspetti della vita delle persone, tra cui gli eventi sociali. Gli utenti, infatti, partecipano sempre di più a eventi periodici di lunga durata sui social media condividendo le loro esperienze e preferenze. Queste informazioni offrono preziose opportunità che consentono alle aziende di promuovere i loro marchi mediante i contenuti generati dall'utente (UGC) utilizzando il passaparola (WOM). Studiare la popolarità dei contenuti dei social media considerando gli schemi comportamentali delle società diventa, quindi, fondamentale. In questa tesi, vengono esaminate le motivazioni del coinvolgimento degli utenti in eventi di lunga durata attraverso un'analisi statistica degli eventi accaduti durante la settimana della moda e apparsi su Instagram. Inoltre, viene sviluppato un approccio multimodale per risolvere il problema della previsione della popolarità dei post che sfrutta i fattori influenti; l’approccio è applicato agli eventi della settimana della moda. L’implementazione della tecnica di selezione delle caratteristiche del filtro utilizza due metriche e sfrutta il grid search per l'ottimizzazione degli iper-parametri applicandolo a quattro metodi di regressione: ridge, support vector regressor, gradient tree boosting e neural networks.