[論文レビュー] Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity

Marian-Andrei Rizoiu, Lexing Xie+4 more|DIGITAL.CSIC (Spanish National Research Council (CSIC))|Feb 19, 2016

Diffusion and Search Dynamics参考文献 29被引用数 21

ひとこと要約

本稿では、YouTubeなどのプラットフォームにおける動画の人気度に、外部のプロモーション（例：ツイート）が与える影響を定量化する新しい数学的モデル、Hawkes Intensity Process（HIP）を提案する。外部刺激と内生的拡散の相互作用をモデル化することで、履歴のみを用いたベースラインと比較して、人気度予測の精度を28.6%向上させるとともに、高い拡散可能性やプロモーションへの感受性が低い動画の特定を可能にする。

ABSTRACT

Modeling and predicting the popularity of online content is a significant problem for the practice of information dissemination, advertising, and consumption. Recent work analyzing massive datasets advances our understanding of popularity, but one major gap remains: To precisely quantify the relationship between the popularity of an online item and the external promotions it receives. This work supplies the missing link between exogenous inputs from public social media platforms, such as Twitter, and endogenous responses within the content platform, such as YouTube. We develop a novel mathematical model, the Hawkes intensity process, which can explain the complex popularity history of each video according to its type of content, network of diffusion, and sensitivity to promotion. Our model supplies a prototypical description of videos, called an endo-exo map. This map explains popularity as the result of an extrinsic factor - the amount of promotions from the outside world that the video receives, acting upon two intrinsic factors - sensitivity to promotion, and inherent virality. We use this model to forecast future popularity given promotions on a large 5-months feed of the most-tweeted videos, and found it to lower the average error by 28.6% from approaches based on popularity history. Finally, we can identify videos that have a high potential to become viral, as well as those for which promotions will have hardly any effect.

研究の動機と目的

• 継続的な外部的影響下におけるオンラインコンテンツの人気動態をモデル化すること。
• 外部プロモーション（例：Twitter上での投稿）と内生的拡散成長（例：YouTube上での拡散）の関係を定量化すること。
• 外部刺激と内在的拡散可能性の両方を組み込んだ予測モデルを開発すること。
• 高い拡散可能性を示す動画、またはプロモーションに対して感受性が低い動画を特定すること。

提案手法

• Hawkes点過程の拡張版として、イベント発生時刻ではなく、期待されるイベント発生数をモデル化するHawkes Intensity Process（HIP）を提案する。
• 確率的イベント履歴の期待値を用いて、人気度予測のための決定的強度関数を導出する。
• 2つの主要な指標を導入する：内生的反応（固有の拡散性）と外部感受性（プロモーションへの反応）。
• 感受性と内生的反応を組み合わせた2次元可視化ツール「endo-exoマップ」を導入し、動画の潜在的ポテンシャルを分類する。
• 5か月間の8190万件のYouTube動画と10億6000万件のツイートを関連付けたデータセットにHIPを適用し、#shares および #tweets を外部入力として使用する。
• 予測性能の妥当性を検証するために、ペアドt検定および2標本t検定を用い、ベースラインのMLRモデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 継続的な外部プロモーションは、オンラインコンテンツの人気動態にどのように影響するか？
• RQ2 計画された外部プロモーションを前提とした場合、動画の人気度を将来予測できるか？
• RQ3 どの動画が最も拡散しやすく、どの動画がプロモーションに対して感受性が低いのか？
• RQ4 外部刺激（例：#shares と #tweets）の予測力には、どのような差があるか？
• RQ5 統一された数学的フレームワークを用いて、内在的拡散性と外部プロモーションの相互作用をモデル化できるか？

主な発見

• HIPは、MLRのような履歴ベースのモデルと比較して、平均予測誤差を28.6%削減した。
• 外部ショックが強い動画において、HIPの中央絶対誤差は3.25%であり、MLRの6.5%の中央誤差を著しく上回った。
• #shares と #tweets を外部刺激として使用した場合に、統計的に有意な差は認められず、両者ともほぼ同一の性能を示した（HIPのCohen’s d = -0.05、MLRのCohen’s d = 0.00）。
• #shares と #tweets の時系列データ間の相関は、動画全体で高く、ピアソンの相関係数の平均は0.78、中央値は0.87であった。
• HIPはMLRを著しく上回る予測性能を示し、p値は10−95未満、効果量（Cohen’s d）は0.197～0.253の範囲にあり、強い統計的有意性が確認された。
• endo-exoマップは、高い感受性と高い内生的反応を示す動画（高い拡散可能性）を効果的に同定でき、ターゲットプロモーション戦略の立案を可能にした。