[论文解读] Time Matters: Multi-scale Temporalization of Social Media Popularity

Bo Wu, Wen-Huang Cheng+2 more|arXiv (Cornell University)|Dec 12, 2017

Human Mobility and Location-Based Analysis参考文献 35被引用 14

一句话总结

本文提出了一种基于张量的新型框架——多尺度时间化（Multi-scale Temporalization, MT），通过在多个时间尺度（每日、每周、季节性）上分解时间动态，同时通过数据重排增强上下文相关性，实现对社交媒体流行度的建模。该方法通过联合低秩约束与多尺度分解，在现有方法基础上将预测准确率提升了10.9%–47.5%，达到当前最先进水平。

ABSTRACT

The evolution of social media popularity exhibits rich temporality, i.e., popularities change over time at various levels of temporal granularity. This is influenced by temporal variations of public attentions or user activities. For example, popularity patterns of street snap on Flickr are observed to depict distinctive fashion styles at specific time scales, such as season-based periodic fluctuations for Trench Coat or one-off peak in days for Evening Dress. However, this fact is often overlooked by existing research of popularity modeling. We present the first study to incorporate multiple time-scale dynamics into predicting online popularity. We propose a novel computational framework in the paper, named Multi-scale Temporalization, for estimating popularity based on multi-scale decomposition and structural reconstruction in a tensor space of user, post, and time by joint low-rank constraints. By considering the noise caused by context inconsistency, we design a data rearrangement step based on context aggregation as preprocessing to enhance contextual relevance of neighboring data in the tensor space. As a result, our approach can leverage multiple levels of temporal characteristics and reduce the noise of data decomposition to improve modeling effectiveness. We evaluate our approach on two large-scale Flickr image datasets with over 1.8 million photos in total, for the task of popularity prediction. The results show that our approach significantly outperforms state-of-the-art popularity prediction techniques, with a relative improvement of 10.9%-47.5% in terms of prediction accuracy.

研究动机与目标

• 解决现有流行度预测模型忽视社交媒体内容中多尺度时间动态的局限性。
• 建模社交媒体流行度在多种时间尺度（如每日、每周、季节性模式）上的演化过程，反映现实世界用户行为与内容趋势。
• 通过引入上下文感知的数据重排预处理步骤，减少因上下文不一致导致的流行度数据噪声。
• 通过在用户、帖子和时间维度上联合利用低秩约束，在结构化的张量分解框架中提升预测准确率。
• 在真实世界大规模社交媒体数据集上验证多尺度时间建模的有效性。

提出的方法

• 提出一种多尺度时间化框架，对流行度张量在三个时间尺度（日、周、季）上进行分解。
• 基于上下文聚合实施数据重排步骤，以增强上下文相关性并减少由上下文不一致引起的噪声。
• 在用户、帖子和时间维度上构建三维张量空间，通过多尺度分解建模时间动态。
• 通过联合低秩约束执行结构重建，以保留跨时间尺度的全局与局部流行度模式。
• 采用张量分解技术估计流行度演化过程，同时在大规模数据集上保持可解释性与可扩展性。
• 通过统一的优化框架整合时间与上下文信息，平衡多尺度时间信号。

实验结果

研究问题

• RQ1 不同的时间尺度（每日、每周、季节性）在社交媒体内容流行度预测中分别起到何种作用？
• RQ2 社交媒体数据中的上下文不一致性在多大程度上会降低流行度预测模型的性能？
• RQ3 与单尺度或全张量建模方法相比，多尺度时间分解能否提升预测准确率？
• RQ4 在社交媒体流行度预测中，哪个时间尺度（日、周或季）最为关键？
• RQ5 所提出的预处理数据重排步骤如何提升张量分解在流行度建模中的有效性？

主要发现

• 所提出的多尺度时间化（MT）框架在两个大规模Flickr数据集上，相较于当前最先进方法，预测准确率相对提升了10.9%至47.5%。
• 季节性时间尺度对预测性能贡献最大，其移除后导致的排名相关系数最低（0.1759），相较于其他尺度更为显著。
• 使用月度时间化（MST）优于每日时间化（DST），在GT框架中从MST切换到DST时，性能下降1.3%–8.5%。
• 该模型在时间敏感内容（如标记为“壮丽阳光”或“优雅时尚”的照片）上表现更优，预测相关系数超过0.6。
• 在一般性或抽象类别（如“空旷空间”或“蓬松云朵”）上性能显著下降，表明其在缺乏明确时间语义的内容建模方面存在局限。
• 所有留一法实验结果均低于使用全部时间尺度的性能，证实每个时间尺度均以独特且协同的方式提升模型整体有效性。