[논문 리뷰] Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity

Marian-Andrei Rizoiu, Lexing Xie외 4명|DIGITAL.CSIC (Spanish National Research Council (CSIC))|2016. 02. 19.

Diffusion and Search Dynamics참고 문헌 29인용 수 21

한 줄 요약

이 논문은 유튜브와 같은 플랫폼에서 외부 프로모션(예: 트윗)이 영상 인기도에 미치는 영향을 수량화하는 데 전용으로 설계된 새로운 수학적 모델인 하크스 인텐시티 프로세스(HIP)를 제안한다. 외부 자극과 내재적 확산 간의 상호작용을 모델링함으로써, 기존의 역사 기반 기준 모델 대비 인기도 예측 정확도를 28.6% 향상시키며, 높은 확산 잠재력 또는 낮은 프로모션 민감도를 가진 영상을 식별하는 데에도 기여한다.

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.

연구 동기 및 목표

• 지속적인 외부 영향 하에서 온라인 콘텐츠 인기도의 복잡한 동역학을 모델링하기 위해.
• 외부 프로모션(예: 트위터에서의 활동)과 내재적 인기도 증가(예: 유튜브에서의 활동) 간의 관계를 정량화하기 위해.
• 외부 자극과 본질적 확산 잠재력 모두를 포함한 예측 모델을 개발하기 위해.
• 높은 확산 잠재력 또는 프로모션에 덜 민감한 영상들을 식별하기 위해.

제안 방법

• 하크스 포인트 프로세스의 확장으로, 사건 발생 시간이 아닌 예상 사건 발생 수를 모델링하는 하크스 인텐시티 프로세스(HIP)를 제안한다.
• 확률적 사건 역사를 기반으로 기대값을 취하여 인기도 예측을 위한 결정론적 강도 함수를 도출한다.
• 두 가지 핵심 지표를 도입한다: 내재 반응(본질적 확산 능력)과 외부 민감도(프로모션에 대한 반응성).
• 감도와 내재 반응을 통합한 2D 시각화 도구인 엔도-에크스오 맵을 활용하여 영상 잠재력을 분류한다.
• 5개월 간의 8190만 건의 유튜브 영상과 10억 6000만 건의 트윗 데이터를 활용하여, #shares와 #tweets를 외부 입력으로 사용한다.
• 기준 모델인 MLR 모델과의 성능 비교를 위해 대응표본 t-검정과 두 표본 t-검정을 사용한다.

실험 결과

연구 질문

• RQ1 지속적인 외부 프로모션은 온라인 콘텐츠의 인기도 동역학에 어떻게 영향을 미치는가?
• RQ2 계획된 외부 프로모션을 고려할 때 향후 영상의 인기도를 예측할 수 있는가?
• RQ3 어느 영상들이 가장 높은 확산 가능성을 지닐까, 그리고 어떤 영상들은 프로모션에 민감하지 않은가?
• RQ4 다른 외부 자극(예: #shares 대비 #tweets) 간의 예측 능력은 어떻게 비교되는가?
• RQ5 통합된 수학적 프레임워크를 통해 내재적 확산과 외부 프로모션 간의 상호작용을 모델링할 수 있는가?

주요 결과

• HIP는 MLR와 같은 역사 기반 모델 대비 평균 예측 오차를 28.6% 감소시킨다.
• 외부 충격이 큰 영상에 대해 HIP는 중앙값 절대 오차 3.25%를 기록했으며, 이는 MLR의 중앙값 오차 6.5%보다 유의미하게 뛰어나다.
• #shares나 #tweets를 외부 자극으로 사용할 경우 통계적으로 유의미한 차이가 없었으며, 둘 다 유사한 성능( HIP의 Cohen’s d = -0.05, MLR의 Cohen’s d = 0.00)을 보였다.
• 모든 영상에서 #shares와 #tweets 시계열 간 상관관계가 높았으며, 피어슨 상관계수 평균은 0.78, 중앙값은 0.87이었다.
• HIP는 MLR보다 예측 성능에서 유의미하게 뛰어나며, p-값이 10−95 이하이고 Cohen’s d 효과 크기(0.197–0.253)는 강한 통계적 유의성을 나타낸다.
• 엔도-에크스오 맵은 높은 민감도와 높은 내재 반응을 가진 영상들을 성공적으로 식별하여 타겟팅된 프로모션 전략 수립을 가능하게 했다.