[论文解读] Improving the Effectiveness of Content Popularity Prediction Methods using Time Series Trends

Flávio Jr. B. Figueiredo, Marcos André Gonçalves+1 more|arXiv (Cornell University)|Aug 29, 2014

Technology and Data Analysis参考文献 13被引用 3

一句话总结

本文提出一种两阶段模型，通过识别早期参与数据中的常见时间序列趋势，并使用线性回归预测48小时内用户参与度（访问量、Facebook点赞数、Twitter提及数），从而提升网络内容受欢迎程度的预测效果。通过引入与学习到的受欢迎趋势的距离，该方法在最先进基线方法上实现了15–27%的准确率提升，其中混合趋势K均值变体表现最佳且最具可扩展性。

ABSTRACT

We here present a simple and effective model to predict the popularity of web content. Our solution, which is the winner of two of the three tasks of the ECML/PKDD 2014 Predictive Analytics Challenge, aims at predicting user engagement metrics, such as number of visits and social network engagement, that a web page will achieve 48 hours after its upload, using only information available in the first hour after upload. Our model is based on two steps. We first use time series clustering techniques to extract common temporal trends of content popularity. Next, we use linear regression models, exploiting as predictors both content features (e.g., numbers of visits and mentions on online social networks) and metrics that capture the distance between the popularity time series to the trends extracted in the first step. We discuss why this model is effective and show its gains over state of the art alternatives.

研究动机与目标

• 利用仅第一小时的数据，提升网络内容受欢迎程度的早期预测能力。
• 解决在内容上传48小时后预测用户参与度指标（访问量、点赞数、提及数）的挑战。
• 通过建模时间上的受欢迎趋势而非仅依赖静态特征，提升预测准确率。
• 评估基于趋势的建模方法相较于现有基线方法的有效性。
• 证明引入趋势相似性可提升受欢迎程度预测的鲁棒性与性能。

提出的方法

• 对早期参与数据应用时间序列聚类（K均值或KSC），以提取常见的受欢迎趋势。
• 将每个网页的受欢迎程度曲线与识别出的趋势进行比较，并计算距离度量作为预测特征。
• 使用内容特征（如初始访问量、提及数）和趋势距离特征联合训练线性回归模型。
• 混合趋势模型将内容特征与趋势相似性结合，实现对不同受欢迎动态的专门化预测。
• 模型训练采用广义交叉验证（GCV）进行超参数调优，并在保留的测试集上进行评估。
• 测试了正则化方法（Ridge、Lasso），但发现其性能未优于普通最小二乘回归。

实验结果

研究问题

• RQ1 建模时间上的受欢迎趋势是否能提升网络内容参与度的早期预测？
• RQ2 与基线模型相比，引入趋势相似性在多大程度上提升了预测准确率？
• RQ3 在趋势提取中，K均值与KSC哪种聚类方法在性能与可扩展性之间提供了更优平衡？
• RQ4 所提模型是否能在未见数据上良好泛化且不过拟合？
• RQ5 早期参与模式在多大程度上可预测长期受欢迎程度？

主要发现

• 混合趋势K均值模型在所有三个响应变量（访问量、Facebook点赞数、Twitter提及数）上相较最先进基线方法实现了15–27%的准确率提升。
• 混合趋势模型在所有基线中表现最佳，尤其在预测访问量方面，相较SH模型实现了27%的性能提升。
• 模型表现出极小的过拟合现象，挑战赛服务器上的测试集均方根误差与GCV估计值相当或更优。
• K均值与KSC性能几乎相同，但K均值因可扩展性更优而更受青睐。
• 正则化回归（Ridge、Lasso）未带来性能提升，表明在此数据集中无需引入惩罚项。
• 模型的AIC与BIC值始终优于基线，支持其泛化能力与鲁棒性。