[论文解读] Predicting the popularity of online content

Gábor Szabó, Bernardo A. Huberman|ArXiv.org|Nov 4, 2008

Caching and Content Delivery参考文献 20被引用 7

一句话总结

本文提出一种方法，利用YouTube和Digg的早期访问数据预测在线内容的长期受欢迎程度。通过建模观看量和投票累积动态，该方法实现了高精度预测——仅用10天的早期数据即可提前30天预测YouTube视频的受欢迎程度，仅用2小时的初始数据即可预测Digg故事的受欢迎程度，这是由于内容衰减模式不同所致。

ABSTRACT

We present a method for accurately predicting the long time popularity of online content from early measurements of user access. Using two content sharing portals, Youtube and Digg, we show that by modeling the accrual of views and votes on content offered by these services we can predict the long-term dynamics of individual submissions from initial data. In the case of Digg, measuring access to given stories during the first two hours allows us to forecast their popularity 30 days ahead with remarkable accuracy, while downloads of Youtube videos need to be followed for 10 days to attain the same performance. The differing time scales of the predictions are shown to be due to differences in how content is consumed on the two portals: Digg stories quickly become outdated, while Youtube videos are still found long after they are initially submitted to the portal. We show that predictions are more accurate for submissions for which attention decays quickly, whereas predictions for evergreen content will be prone to larger errors.

研究动机与目标

• 开发一种基于早期访问模式预测用户生成在线内容长期受欢迎程度的方法。
• 理解YouTube和Digg等平台上的早期受欢迎趋势如何预测长期表现。
• 比较具有不同内容消费动态（如Digg的时效性故事与YouTube的持久性视频）的平台之间的预测精度。
• 评估内容衰减对预测可靠性的影响，并确定预测最准确的条件。

提出的方法

• 收集了7,146个YouTube视频和Digg故事在长时间内的每日观看次数和投票（diggs）时间序列数据。
• 对受欢迎程度数据进行对数变换，以线性化增长模式并减少噪声，从而能够使用线性模型。
• 在变换后的受欢迎程度数据上使用线性回归，从早期时间点的测量值预测未来受欢迎程度。
• 基于早期和晚期受欢迎程度之间的线性相关性，评估三种预测模型，并选择表现最佳的模型。
• 使用相对误差度量而非绝对误差，以减少预测不确定性中的离散性，尤其是在高方差预测中。
• 使用最大似然估计法估计模型参数，理由是数据量大，在此类情况下其与贝叶斯推断等价。

实验结果

研究问题

• RQ1 YouTube和Digg的早期访问模式能否用于准确预测长期内容受欢迎程度？
• RQ2 具有不同内容衰减动态的平台之间，预测的时间尺度有何不同？
• RQ3 为何对注意力迅速衰减的内容（如Digg）预测更准确，而对持久性内容（如YouTube）预测准确度较低？
• RQ4 误差度量选择（绝对误差与相对误差）如何影响受欢迎程度预测的可靠性？
• RQ5 在仅使用早期访问数据预测受欢迎程度时，能在多大程度上忽略语义或上下文特征？

主要发现

• Digg故事的预测准确度在提交后约2小时内达到峰值，约2小时内即可实现10%的误差，这是由于内容迅速过时所致。
• 对于YouTube视频，需要10天的观看数据才能将预测误差降至10%，反映出衰减较慢和相关性窗口更长。
• 对受欢迎程度数据进行对数变换后，揭示了早期与晚期受欢迎程度之间存在强烈线性相关性，从而实现了准确建模。
• 使用绝对误差度量时，预测误差高度离散，但使用相对误差度量时，离散性显著降低。
• 注意力迅速衰减的内容预测最准确；而持久性内容由于暴露时间长且多变，预测误差较大。
• 本研究证实，仅依靠早期访问数据——无需语义或内容特征——即可在大规模用户社区中实现高度准确的受欢迎程度预测。