[논문 리뷰] Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks

Swapnil Mishra, Marian-Andrei Rizoiu외 1명|arXiv (Cornell University)|2018. 04. 06.

Complex Network Analysis Techniques참고 문헌 28인용 수 11

한 줄 요약

이 논문은 유튜브 영상 인기 예측을 위해 마이크로블로깅 이벤트(예: 트윗)의 이질적이고 비동기적인 스트림과 집계된 공유 수를 동시에 모델링하는 순환 신경망 모델인 RNN-MAS를 제안한다. 이 모델은 기존 최고 성능 모델 대비 예측 정확도를 17% 향상시키며, 개별 및 그룹 프로모션의 영향을 측정하기 위한 새로운 지표인 '프로모션 스코어'와 '라우드니스 레벨'을 도입한다.

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.

연구 동기 및 목표

• 다양한 이질적이고 비동기적인 데이터 스트림(예: 개별 트윗과 일일 공유 수)이 온라인 콘텐츠 인기에 미치는 공동 영향을 포괄하는 통합 모델을 개발하는 것.
• 개별 프로모션 또는 계절적 영향과 같은 '만약에' 시나리오를 설명 가능한 방식으로 시뮬레이션할 수 있도록 기존의 투명성 없는 예측 모델을 개선하는 것.
• 다양한 콘텐츠 유형에서 바이럴을 이끄는 데 있어 다양한 사용자 그룹(예: 슈퍼유저 대비 중간 팔로워 수 유저)의 상대적 효과를 측정하고 비교하는 것.
• 기존 연구에서 별도로 다루는 이벤트 수준 데이터와 볼륨 수준 데이터를 동시에 모델링하는 데 있어 격차를 해소하는 것.
• 콘텐츠 유형과 인플루언서 프로필에 기반해 프ом모션 전략을 최적화할 수 있도록 콘텐츠 제작자와 마케터에게 계산적으로 타당한 도구를 제공하는 것.

제안 방법

• RNN-MAS는 두 가지 별개의 비동기 데이터 스트림을 처리하는 다중 스트림 순환 신경망 아키텍처를 사용한다: (1) 이산적인 이벤트 시퀀스(예: 트윗)와 (2) 집계된 시계열 볼륨(예: 일일 공유 수).
• 모델은 양 스트림의 시간적 의존성을 포착하기 위해 게이트드 순환 유닛(GRUs)을 사용하며, 스트림 간 정보 교환을 가능하게 하기 위해 교차 스트림 어텐션 또는 연결 메커니즘을 적용한다.
• 예측된 시청 수와 실제 시청 수 간의 평균 제곱오차를 최소화하는 순서에서 순서로 학습 목표를 사용하여 향후 인기(예: 총 시청 수)를 예측하기 위해 엔드 투 엔드로 훈련된다.
• 모델은 이벤트의 시간적 동적 변화와 누적 볼륨 추세를 동시에 고려하는 새로운 손실 함수를 포함하여 다양한 해상도에서의 공동 추론을 가능하게 한다.
• 프로모션에 대한 인기 상승의 한계 증가량을 측정하기 위해 모델 기울기에서 파생된 새로운 지표인 '프로모션 스코어'를 도입한다.
• '라우드니스 레벨' 지표는 개인 사용자 또는 사용자 그룹의 한계적 인기 증가량의 로그 비율로 계산되며, 영향력 있는 사용자의 영향을 비교 분석할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 개별 트윗과 일일 공유 수와 같은 여러 비동기 데이터 스트림을 효과적으로 통합하여 온라인 콘텐츠의 인기 예측 성능을 향상시킬 수 있는 단일 모델은 어떻게 설계할 수 있는가?
• RQ2 외부 프로모션의 시간에 따라 변화하고 비선형적인 영향은 무엇이며, 이를 확장 가능하고 해석 가능한 방식으로 어떻게 측정할 수 있는가?
• RQ3 특히 상위 1퍼센트 팔로워를 보유한 슈퍼유저와 중간 팔로워 수 유저 그룹 간에, 다양한 콘텐츠 유형에서 바이럴을 이끄는 능력에 차이가 있는가?
• RQ4 모델은 시계열 트렌드나 관측되지 않은 사건과 같은 잠재적 외부 영향을 어느 정도 포착할 수 있으며, 이를 시뮬레이션 및 예측에 어떻게 활용할 수 있는가?
• RQ5 통합된 딥 러닝 프레임워크는 기존 최고 성능 모델을 능가할 수 있을 뿐 아니라, 사용자 영향력과 캠페인 효과성에 대한 설명 가능한 통찰도 제공할 수 있는가?

주요 결과

• RNN-MAS는 다양한 콘텐츠 유형에 걸쳐 일반화 성능이 뛰어나, 이전 모델 대비 최고 성능 기준 예측 정확도를 17% 향상시켰다.
• 프로모션 스코어 지표는 프로모션 단위의 효과가 시간에 따라 크게 달라지며 비선형적임을 드러내며, 초기 노출 직후에 일반적으로 최대 반응성이 나타남을 보여준다.
• 라우드니스 레벨 지표는 비영리 및 활동가 콘텐츠의 37퍼센트에서 슈퍼유저가 중간 팔로워 수 유저 그룹보다 더 효과적인 것으로 나타났지만, HowTo 및 게임 콘텐츠에서는 그렇지 않았다.
• HowTo 및 게임 콘텐츠에서는 한 명의 슈퍼유저보다 중간 팔로워 수 유저 그룹의 집합적 영향력이 더 크며, 이는 이 유형에서 더 높은 공동 영향력을 가짐을 시사한다.
• 모델는 '미관측 반응' 지표를 통해 계절적 트렌드의 영향을 성공적으로 포착하여, 휴일이나 반복 이벤트와 같은 관측되지 않은 외부 영향의 영향을 정량화한다.
• 이벤트 스트림과 볼륨 스트림을 동시에 모델링함으로써, 병합하거나 별도로 처리하는 모델보다 더 정확한 예측이 가능하며, 특히 주목의 단기적 폭발을 잘 포착한다.