[論文レビュー] Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks

Swapnil Mishra, Marian-Andrei Rizoiu+1 more|arXiv (Cornell University)|Apr 6, 2018

Complex Network Analysis Techniques参考文献 28被引用数 11

ひとこと要約

本論文は、YouTube動画の人気を予測するために、マイクロブログイベント（例：ツイート）の非同期的ストリームと集計共有数を統合的にモデル化するRNN-MASと呼ばれる再帰的ニューラルネットワークモデルを提案する。このモデルは、最先端の予測精度を17%向上させるとともに、個々のプロモーションやグループプロモーションの影響を、コンテンツタイプに跨って定量化するための新規指標「プロモーションスコア」と「ラウドネスレベル」を導入している。

ABSTRACT

Understanding and predicting the popularity of online items is an important open problem in social media analysis. Considerable progress has been made recently in data-driven predictions, and in linking popularity to external promotions. However, the existing methods typically focus on a single source of external influence, whereas for many types of online content such as YouTube videos or news articles, attention is driven by multiple heterogeneous sources simultaneously - e.g. microblogs or traditional media coverage. Here, we propose RNN-MAS, a recurrent neural network for modeling asynchronous streams. It is a sequence generator that connects multiple streams of different granularity via joint inference. We show RNN-MAS not only to outperform the current state-of-the-art Youtube popularity prediction system by 17%, but also to capture complex dynamics, such as seasonal trends of unseen influence. We define two new metrics: promotion score quantifies the gain in popularity from one unit of promotion for a Youtube video; the loudness level captures the effects of a particular user tweeting about the video. We use the loudness level to compare the effects of a video being promoted by a single highly-followed user (in the top 1% most followed users) against being promoted by a group of mid-followed users. We find that results depend on the type of content being promoted: superusers are more successful in promoting Howto and Gaming videos, whereas the cohort of regular users are more influential for Activism videos. This work provides more accurate and explainable popularity predictions, as well as computational tools for content producers and marketers to allocate resources for promotion campaigns.

研究の動機と目的

• オンラインコンテンツの人気に影響を与える、複数の異種で非同期的なデータストリーム（例：個々のツイートや日次共有数）の共同的影響を捉える統合的モデルの開発。
• ブラックボックス型の既存予測モデルを改善し、個別プロモーションや季節的要因といった「仮説的状況（what-if）」の説明可能なシミュレーションを可能にする。
• 異なるユーザーグループ（例：スーパーインフルエンサー対中程度フォロワー数のユーザー）が、多様なコンテンツジャンルにおいて、どれほど効果的にコンテンツの拡散を促進できるかを定量化・比較すること。
• イベントレベルとボリュームレベルの両方のデータを同時にモデル化するギャップを埋めること。これらは過去の研究ではしばしば別々に扱われてきた。
• コンテンツ制作者やマーケターが、コンテンツタイプやインフルエンサーの特徴に基づいて、計算的に根拠のあるプロモーション戦略を最適化できるツールを提供すること。

提案手法

• RNN-MASは、2つの異なる非同期データストリームを処理するマルチストリーム再帰的ニューラルネットワークアーキテクチャを採用している。 (1) 離散的イベント系列（例：ツイート）と (2) 時系列に集計されたボリューム（例：日次共有数）。
• モデルは、両ストリームにおける時間的依存性を捉えるためにゲート付き再帰ユニット（GRUs）を用い、ストリーム間の情報交換を可能にするためにクロスストリームアテンションまたは連結メカニズムを採用している。
• モデルは、予測された視聴回数と実際の視聴回数の平均二乗誤差を最小化するように、シーケンス・ツー・シーケンス学習の目的関数に従ってエンド・ツー・エンドで訓練され、将来の人気（例：総視聴回数）を予測する。
• モデルは、イベントの時間的ダイナミクスと累積的ボリュームトレンドの両方を考慮する新しい損失関数を組み込み、細粒度のスケールで統合推論を可能にしている。
• モデルの勾配から導出される新しい指標「プロモーションスコア」は、異なる時刻におけるプロモーション1単位あたりの人気上昇の限界的増加を定量化する。
• 「ラウドネスレベル」指標は、個々のユーザーまたはユーザー集団からの限界的人気上昇の対数比として計算され、インフルエンサー影響力の比較的分析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 個々のツイートや日次共有数といった複数の非同期データストリームを、オンラインコンテンツの人気予測を向上させるために、どのように1つのモデルが効果的に統合できるか。
• RQ2 外部プロモーションが動画の人気に与える時間的に変化する非線形的効果は何か。また、スケーラブルで解釈可能な方法で、その効果をどのように定量化できるか。
• RQ3 特に、上位1%のフォロワー数を持つスーパーインフルエンサーと中程度フォロワー数のユーザー集団とを比較した場合、多様なコンテンツジャンルにおいて、どれほど異なる拡散能力を示すか。
• RQ4 モデルは、季節的トレンドや観測されない出来事といった、潜在的な外部要因をどの程度捉えることができるか。また、その捉え方を、シミュレーションや予測にどのように活用できるか。
• RQ5 統合的なディープラーニングフレームワークは、既存の最先端モデルを上回る人気予測性能を発揮するとともに、ユーザーの影響力やキャンペーン効果に関する説明可能な知見を提供できるか。

主な発見

• RNN-MASは、過去のモデルと比較して、YouTubeの人気予測性能を17%向上させ、多様なコンテンツタイプにわたる一般化性能に優れていることが示された。
• プロモーションスコア指標は、プロモーション1単位の効果が時間経過とともに著しく変化し、非線形的であることを明らかにした。特に、初期露出直後によく見られる反応のピークが観察された。
• ラウドネスレベル指標は、37%のノンプロフィット・アクティビズム動画において、スーパーインフルエンサーが中程度フォロワー数のユーザー集団よりも効果的にプロモーションしているが、HowToおよびゲームコンテンツでは逆に、中程度フォロワー数のユーザー集団のほうが効果的であることを示した。
• HowToおよびゲーム動画では、1人のスーパーインフルエンサーよりも、中程度フォロワー数のユーザー集団がより高い人気上昇をもたらしており、これらのジャンルでは集団的影響力が顕著に高いことが示された。
• モデルは「未観測反応」指標を通じて、季節的トレンドの人気ダイナミクスを成功裏に捉えており、祝日や繰り返し発生する出来事といった、観測されない外部要因の影響を定量化している。
• イベントストリームとボリュームストリームの共同モデリングにより、集計やストリームを別々に扱うモデルよりも、短期間の注目集中の兆候をより正確に捉えることができた。