[论文解读] To Post or Not to Post: Using Online Trends to Predict Popularity of Offline Content

Sofiane Abbar, Carlos Castillo+1 more|arXiv (Cornell University)|Jul 17, 2018

Complex Network Analysis Techniques参考文献 37被引用 3

一句话总结

本文提出了一种新颖的方法，在新闻文章发布前预测其离线受欢迎程度，通过利用话题受欢迎程度的时间序列预测以及与近期发布、相似文章的相似度。通过结合预测的话题流量与相似文章的已观测访问模式，该方法实现了11.47%的平均百分比误差（MAPE），与依赖早期发布后指标的模型表现相当。

ABSTRACT

Predicting the popularity of online content has attracted much attention in the past few years. In news rooms, for instance, journalists and editors are keen to know, as soon as possible, the articles that will bring the most traffic into their website. The relevant literature includes a number of approaches and algorithms to perform this forecasting. Most of the proposed methods require monitoring the popularity of content during some time after it is posted, before making any longer-term prediction. In this paper, we propose a new approach for predicting the popularity of news articles before they go online. Our approach complements existing content-based methods, and is based on a number of observations regarding article similarity and topicality. First, the popularity of a new article is correlated with the popularity of similar articles of recent publication. Second, the popularity of the new article is related to the recent historical popularity of its main topic. Based on these observations, we use time series forecasting to predict the number of visits an article will receive. Our experiments, conducted on a real data collection of articles in an international news website, demonstrate the effectiveness and efficiency of the proposed method.

研究动机与目标

• 在发布前实现新闻文章受欢迎程度的早期预测，以支持编辑决策。
• 解决现有模型依赖早期发布后受欢迎程度数据的局限性。
• 通过整合话题受欢迎程度趋势与文章相似度，提高预测准确性。
• 开发一种结合内容驱动方法与时间序列方法的预测模型，以实现更高精度。
• 证明话题受欢迎程度预测可提升文章受欢迎程度预测，而无需依赖早期指标。

提出的方法

• 该方法使用时间序列预测，基于该话题的历史访问模式，预测目标文章话题的未来受欢迎程度。
• 通过标题和内容嵌入的余弦相似度阈值（θ = 0.1）识别与目标文章相似的近期文章。
• 在滑动窗口（δ = 1, 2, 3, 或 4天）内聚合这些相似文章的访问次数，作为目标文章未来受欢迎程度的预测因子。
• 结合两个预测因子：(1) 相似文章的访问次数与(2) 话题的历史访问量，两者均用于线性回归模型。
• 通过在第4.4节中采用表现最佳的预测方法，估计未来话题受欢迎程度，进一步提升模型性能。
• 最终的集成模型在单一回归框架中整合了观测到的相似度趋势、观测到的话题流量以及预测的话题流量。

实验结果

研究问题

• RQ1 能否利用话题受欢迎程度趋势，在发布前预测单个新闻文章的未来受欢迎程度？
• RQ2 近期发布且相似的文章的受欢迎程度与新文章的未来受欢迎程度之间有何相关性？
• RQ3 结合文章相似度与话题受欢迎程度预测是否能提升预测精度，使其优于单独使用任一方法？
• RQ4 与依赖早期发布后受欢迎程度数据的模型相比，发布前预测模型的性能如何？
• RQ5 为最大化预测精度，聚合近期访问数据的最佳时间窗口（δ）是多少？

主要发现

• 所提出的方法在预测文章受欢迎程度方面实现了11.47%的平均百分比误差（MAPE），与使用早期受欢迎程度数据的模型表现相当。
• 与单一预测因子方法相比，该模型表现更优：同时使用相似度趋势与话题流量可获得比单独使用任一因子更低的误差。
• 引入预测的话题流量可略微且一致地提升性能，尤其在δ = 3或δ = 4天时效果更明显。
• 该方法在无需任何早期受欢迎程度测量的情况下，实现了11.47%的MAPE，使其适用于发布前的编辑决策。
• 该模型性能与使用5分钟、1小时或6小时早期发布后数据的模型相当，后者的MAPE分别为9.59%、6.83%和4.75%。
• 当结合观测到的相似度趋势、观测到的话题流量以及预测的话题流量时，性能最佳，δ = 3或δ = 4天可提供最准确的预测。