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.

Отлично, только убедись, что твоя инфраструктура выдержит пиковую нагрузку. Сделай извлечение признаков как можно проще, закэшируй эмбеддинги и настрои мониторинг на случай резких скачков нагрузки. Быстро перепроверь параметры Хоукса перед запуском – это избавит тебя от кучи проблем. Дай знать, когда будешь готов к первому тестовому запуску.

Отлично, что всё готово. Как только запустишь первую партию, следи за интервалами между поступлениями – если коэффициент самовозбуждения начнёт расти быстрее, чем ожидалось, это будет сигналом. Я буду мониторить показатели с нашей стороны, говори, если что-то покажется не так. Посмотрим, что покажет статистика.

Хорошо, сейчас смотрю. Как только интервалы между прибытиями сойдутся в резкий пик – это наш старт. Дай знать, если что-то покажется странным или если всё будет тихо – любая информация пригодится. Будем действовать по сигналу.

Звучит убедительно. Продолжай присылать данные, я сразу сообщу, если что-то резко изменится. Посмотрим, что показывают цифры.