[论文解读] Predicting the Popularity of Online Videos via Deep Neural Networks

Yue Mao, Yi Shen+2 more|arXiv (Cornell University)|Nov 29, 2017

Complex Network Analysis Techniques参考文献 16被引用 6

一句话总结

本文提出一种结合多任务学习（MTL）和关系网络（RN）的深度神经网络模型，用于通过建模广泛而复杂的特征交互以及多个内容提供商之间的竞争关系，预测网络剧集的受欢迎程度。该模型提升了预测准确性，在内容发布前7天预测中R²达到0.87，且MTL与RN模块均带来了显著性能增益。

ABSTRACT

Predicting the popularity of online videos is important for video streaming content providers. This is a challenging problem because of the following two reasons. First, the problem is both "wide" and "deep". That is, it not only depends on a wide range of features, but also be highly non-linear and complex. Second, multiple competitors may be involved. In this paper, we propose a general prediction model using the multi-task learning (MTL) module and the relation network (RN) module, where MTL can reduce over-fitting and RN can model the relations of multiple competitors. Experimental results show that our proposed approach significantly increases the accuracy on predicting the total view counts of TV series with RN and MTL modules.

研究动机与目标

• 为应对在高度竞争且非线性环境下预测在线视频受欢迎程度（尤其是电视剧）的挑战。
• 通过将多任务学习作为正则化手段，缓解低样本、高维数据中的过拟合问题。
• 利用关系网络建模来自不同内容提供商的多部电视剧之间的竞争动态。
• 通过将MTL与RN整合进深度神经网络框架，提升电视剧总播放量预测的准确性。

提出的方法

• 模型采用深度神经网络（DNN）作为主干网络，用于特征表示与非线性建模。
• 通过任务间的硬参数共享应用多任务学习（MTL），总损失函数通过可学习权重将主任务损失与辅助任务损失进行组合。
• 关系网络（RN）模块计算目标电视剧与竞争电视剧之间的成对关系，并通过可微函数聚合这些关系。
• RN模块专门设计用于建模竞争电视剧对目标电视剧受欢迎程度的影响。
• 完整模型整合了DNN、MTL与RN模块，通过端到端联合训练，增强泛化能力并捕捉竞争动态。
• 模型在2017年1月1日之前的历史电视剧数据上进行训练，并在该日期之后发布的剧集上进行评估。

实验结果

研究问题

• RQ1 多任务学习在数据有限的情况下，如何提升泛化能力并减少过拟合？
• RQ2 对多部电视剧之间的竞争关系进行建模，在多大程度上能提升预测准确性？
• RQ3 关系网络能否有效捕捉竞争内容对目标电视剧受欢迎程度的影响？
• RQ4 MTL与RN模块的集成相较于基线模型，在预测电视剧长期播放量方面表现如何？

主要发现

• 完整模型（DNN+RN+MTL）在预测电视剧发布前7天的总播放量时，R²达到0.87，显著优于基线DNN模型。
• 引入MTL模块使7天预测时的R²提升0.03，证明其在缓解过拟合方面的有效性。
• 与DNN+MTL相比，加入RN模块使R²进一步提升0.04，凸显建模竞争动态的价值。
• 在发布前180天和360天，完整模型的R²分别保持在0.85和0.85，表现出在长周期预测中的稳健性。
• 在所有预测时间范围内，该模型始终优于DNN与DNN+MTL基线模型，表明MTL与RN具有互补优势。