[论文解读] Modelling View-count Dynamics in YouTube

Cédric Richier, Eitan Altman+4 more|arXiv (Cornell University)|Apr 9, 2014

Caching and Content Delivery参考文献 18被引用 12

一句话总结

本文提出受生物启发的数学模型，用于分类和预测YouTube视频播放量随时间的变化动态，基于超过80万条视频的数据集。模型分类准确率超过90%，平均误差率低于5%，识别出六种模型，能够捕捉病毒式传播与非病毒式传播，以及固定目标人群与增长目标人群的动态特征。其中，改进的Gompertz模型与改进的负指数模型共同覆盖了超过75%的视频。

ABSTRACT

The goal of this paper is to study the behaviour of view-count in YouTube. We first propose several bio-inspired models for the evolution of the view-count of YouTube videos. We show, using a large set of empirical data, that the view-count for 90% of videos in YouTube can indeed be associated to at least one of these models, with a Mean Error which does not exceed 5%. We derive automatic ways of classifying the view-count curve into one of these models and of extracting the most suitable parameters of the model. We study empirically the impact of videos' popularity and category on the evolution of its view-count. We finally use the above classification along with the automatic parameters extraction in order to predict the evolution of videos' view-count.

研究动机与目标

• 使用受生物学启发的数学框架对YouTube视频播放量的时间动态进行建模与分类。
• 开发一种自动分类系统，根据传播的结构性病毒性与目标人群行为，将每条视频分配至六个动态模型之一。
• 通过模型分类与参数提取，高精度预测未来播放量演变。
• 评估模型在不同视频类别与流行度水平下的鲁棒性，尤其区分病毒式与非病毒式内容。
• 通过在短观察窗口（7、15、30天）内评估模型性能，实现在早期阶段的流行度预测。

提出的方法

• 作者基于流行病学与种群动力学启发，推导出六种数学模型，包括改进的负指数模型、Gompertz模型及S型函数，用于表示播放量随时间的演变。
• 模型根据两个标准进行分类：目标人群固定 vs. 增长（移民）；病毒式传播 vs. 非病毒式传播（口口相传 vs. 广播式传播）。
• 采用模型选择算法，利用平均误差率（MER）将每条视频的播放量曲线匹配至最佳拟合模型，可接受拟合的阈值为5%。
• 通过非线性最小二乘法拟合，自动提取模型参数，基于随时间变化的实证播放量数据。
• 使用软窗口与硬窗口指标评估预测性能，对7、15和30天的观察窗口内预测误差进行归一化处理。
• 该方法在包含80万条视频的大规模YouTube数据集上进行验证，视频年龄范围为5至2500天，结果按不同流行度水平与主题类别报告。

实验结果

研究问题

• RQ1 哪些数学模型最能捕捉不同内容类型与流行度水平下YouTube视频播放量的时间演变？
• RQ2 引入移民（增长目标人群）与结构性病毒性（口口相传 vs. 广播式传播）如何提升模型拟合度与分类准确率？
• RQ3 所提出的模型在不同视频类别中具有多大程度的鲁棒性，特别是在教育类内容中，其传播可能更依赖口口相传？
• RQ4 当仅拥有7、15或30天的数据时，播放量演变的早期预测准确度如何？
• RQ5 YouTube中有多大比例的视频可使用这些模型以低于5%的平均误差率准确分类？

主要发现

• 超过90%的YouTube视频（89.7%）可被分类至六个提出的模型之一，且平均误差率（MER）低于5%。
• 改进的Gompertz模型与改进的负指数模型共同覆盖了数据集的75%以上，前者捕捉病毒式传播动态，后者捕捉非病毒式、广播式传播。
• 在超过80%的视频中，潜在观众规模（目标人群）随时间增长，表明播放量存在动态上限。
• 改进的Gompertz模型最能捕捉以口口相传方式传播的病毒式内容，而改进的负指数模型则更适用于以直接广播方式传播的非病毒式内容。
• 即使在短观察窗口下，预测准确率依然强劲：在30天场景中，平均预测窗口大小为观察窗口大小的0.61–0.68倍，软窗口性能优于硬窗口。
• 教育类内容表现出独特动态，口口相传起主导作用，其模型分布与其它类别显著不同。