Я, если честно, кучу времени потратил, изучая, как мемы живут в Твиттере и на Реддите, и тут математика не такая уж и сложная. Главное – построить качественную временную шкалу вовлеченности пользователей, отслеживать всплески настроений, а потом применить тематическую модель, чтобы понять, какие "ядра" мемов постоянно возвращаются. Как только соберешь пару недель чистых данных, можно и процесс Хоукса применить, или простую LSTM, и предсказывать, когда какая-то тема мема, скорее всего, станет вирусной. Самая большая проблема – это шум, юмор субъективен, да и структура сети постоянно меняется. Так что да, с правильным конвейером данных и небольшим количеством статистического моделирования можно определить "горячую точку" мема до того, как он выйдет в мейнстрим. Просто держи набор признаков минимальным, модель понятной и будь готов пересматривать метки.