Who Watches (and Shares) What on YouTube? And When? Using Twitter to Understand YouTube Viewership
我们将以用户为中心的Twitter数据与以视频为中心的YouTube数据相结合,以分析谁在YouTube上观看和分享了什么。结合两个数据集,87k Twitter用户,560万YouTube视频和1500万视频共享事件,可以进行丰富的分析,超出了单独使用两个数据集中的任何一个所能获得的分析。对于Twitter,我们生成与活动、兴趣和人口统计相关的用户特征。对于YouTube,我们获得了主题,流行度和极化的视频特征。这两个功能集通过在Twitter上共享YouTube URL的事件进行组合。这种组合以用户、视频和共享事件为中心的方式完成。对于以用户为中心的分析,我们展示了Twitter用户功能如何与YouTube功能和共享相关功能相关联。作为两个例子,我们发现城市用户比农村用户更快地分享,对于一些“影响力”的概念,Twitter上有影响力的用户分享视频的浏览量更高。对于以视频为中心的分析,我们发现初始Twitter份额和最终的浏览量之间存在超线性关系,显示了Twitter的相关行为。在用户影响力方面,我们发现第一周分享视频的用户的粉丝总数并不影响视频的最终受欢迎程度。然而,聚合的用户转发率可以更好地预测YouTube视频的受欢迎程度。对于以共享为中心的分析,我们揭示了在一定的时间尺度内视频创建和共享之间的时间相关行为的存在,显示了连贯响应的时间开始,以及集体响应极不可能的时间限制。我…
2016-02-22 cs.SI physics.soc-ph
Engagement dynamics and sensitivity analysis of YouTube videos
拥有数百万内容创作者的YouTube已成为在线观看视频的首选目的地。通过合作伙伴计划,YouTube允许内容创作者将他们的热门视频货币化。对于内容创建者来说,重要的是哪些元级别的特征(例如标题、标签、缩略图)对于提升视频流行度最敏感。视频的受欢迎程度还取决于社会动态,即内容创作者(或频道)与YouTube用户的互动。使用由分布在2.5万个频道的约600万个视频组成的真实数据,我们实证研究了YouTube元级特征和社会动态的敏感性。影响视频观看次数的关键元级特征包括:第一天观看次数、订阅者数量、视频缩略图的对比度、Google点击率、关键字数量、视频类别、标题长度和标题中的大写字母数量,并分别说明这些元级特征可以用于估计视频的受欢迎程度。此外,在视频发布后优化元级别功能可以增加视频的受欢迎程度。在社会动力学的背景下,我们发现,有一个因果关系之间的意见,以一个渠道和相关的用户数量。此外,还提供了对频道中的调度和视频播放效果的见解。我们的研究结果提供了一个有用的了解用户在YouTube上的参与。
2016-11-02 cs.SI
A Latent Social Approach to YouTube Popularity Prediction
当前关于信息中心网络的工作假设最近最少/频繁使用(LRFU)方案下的高速缓存策略的频谱作为事实标准,这是由于这种策略的容易实现和更容易分析。在本文中,我们预测的流行分布的YouTube视频在校园网络。我们探索了两种广泛的方法来预测网络中视频的流行度:基于网络中聚合行为的共识方法,以及基于隐式网络上信息扩散的社会方法。我们在一个简单的缓存框架下通过根据我们预测的分布挑选k个最受欢迎的视频并计算缓存的命中率来衡量我们的方法的性能。我们首先将视频到达间隔时间(基于无标度网络中相同消息的两个接收者之间的传输时间的幂律分布)结合到基线(LRFU),然后结合信息扩散模型,推断出潜在的社交图,控制网络中视频的扩散。我们应用潜在的社会网络推理技术来学习网络中用户之间的共享概率,并应用从数学流行病学中借来的病毒传播模型来估计视频在未来被访问的次数。我们的方法比基线提高了14%的命中率。
2013-08-06 cs.MM cs.NI cs.SI
Revisit Behavior in Social Media: The Phoenix-R Model and Discoveries
一个艺术家在网上电台会收到多少听众?在YouTube视频上播放怎么样?这些访问中有多少是新用户或老用户?建模和挖掘社交活动的流行动态对研究人员,内容创建者和提供者具有重要意义。我们在这里调查重访(一个用户连续访问)对内容流行度的影响。使用四个社交活动数据集,多达数千万个媒体对象(例如,YouTube视频,Twitter标签或LastFM艺术家),我们展示了重访对这些对象流行度演变的影响。其次,我们提出了Phoenix-R模型,该模型捕获了单个对象的流行动态。Phoenix-R具有以下理想特性:(1)简约,基于最小描述长度原则,并且比最先进的基线实现更低的均方根误差;(2)适用,该模型可有效预测对象的未来流行度值。
2014-06-22 cs.SI physics.soc-ph
Modelling View-count Dynamics in YouTube
本文的目标是研究YouTube中的观看计数行为。我们首先提出了几个生物启发的模型的YouTube视频的观看计数的演变。我们使用大量的经验数据表明,YouTube中90%的视频的观看次数确实可以与至少一个这些模型相关联,平均误差不超过5%。我们推导出自动的方法分类的视图计数曲线到这些模型之一,并提取最合适的参数的模型。我们实证研究了视频的流行度和类别对其观看次数演变的影响。最后,我们使用上述分类以及自动参数提取,以预测视频的观看计数的演变。
2014-05-28 cs.SI physics.soc-ph
Modeling Popularity in Asynchronous Social Media Streams with Recurrent Neural Networks
了解和预测在线项目的流行度是社会媒体分析中一个重要的开放性问题。最近在数据驱动的预测以及将受欢迎程度与外部促销联系起来方面取得了相当大的进展。然而,现有的方法通常专注于单一的外部影响源,而对于许多类型的在线内容,如YouTube视频或新闻文章,注意力是由多个异构源同时驱动的-例如微博或传统媒体报道。在这里,我们提出了RNN-MAS,一种用于异步流建模的递归神经网络。它是一个序列生成器,通过联合推理连接不同粒度的多个流。RNN-MAS不仅比目前最先进的Youtube流行度预测系统高出17%,而且还能捕捉复杂的动态,例如看不见的影响的季节性趋势。我们定义了两个新指标:推广分数量化了Youtube视频从一个推广单位中获得的受欢迎程度;响度级别捕捉了特定用户对视频的推文效果。我们使用响度水平来比较由一个高关注用户(在前1%的最关注用户中)推广的视频与由一组中等关注用户推广的视频的效果。我们发现,结果取决于推广的内容类型:超级用户在推广Howto和Gaming视频方面更成功,而普通用户群体对Activism视频更具影响力。这项工作提供了更准确和可解释的流行预测,以及计算工具,为内容生产者和营销人员分配资源的促销活动。
2018-04-10 cs.SI stat.ML
Predicting popularity of online videos using Support Vector Regression
Warsaw University of Technology(华沙理工大学)
在这项工作中,我们提出了一个回归方法来预测流行的在线视频的时间和视觉线索的基础上。我们的方法使用高斯径向基函数的支持向量回归。我们表明,这种方法的流行模式建模提供了更高,更稳定的预测结果,主要是由于所提出的方法的非线性特性,以及其抵抗过拟合。我们将我们的方法与包含来自YouTube和Facebook的14,000多个视频的数据集进行了比较。此外,我们表明,仅依赖于早期的分布模式,可以通过添加社会和视觉元数据得到改善。
2017-05-12 cs.CV cs.SI
Investigating Algorithmic Bias in YouTube Shorts
本研究通过分析685,842个YouTube Shorts视频,首次揭示了推荐算法从政治敏感内容向娱乐内容漂移的现象,并发现其系统性偏好愉悦内容和强化流行度偏见。
2025-07-07 cs.SI
Efficient Data Retrieval and Comparative Bias Analysis of Recommendation Algorithms for YouTube Shorts and Long-Form Videos
本研究开发高效数据收集框架,对比分析YouTube短视频与长视频推荐算法的差异及政治敏感话题偏差,为构建公平透明的推荐系统、践行负责任AI提供参考。
2025-07-29 cs.IR cs.SI
Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity
在线内容流行度的建模和预测是信息传播、广告和消费实践中的一个重要问题。最近对大规模数据集的分析工作推进了我们对流行度的理解,但仍然存在一个主要的差距:精确量化在线商品的流行度与其收到的外部促销之间的关系。这项工作填补了Twitter等公共社交媒体平台的外源投入与YouTube等内容平台内的内源反应之间的缺失环节。我们开发了一个新的数学模型,霍克斯强度过程,它可以解释每个视频的复杂的流行历史,根据其类型的内容,网络的扩散,和推广的敏感性。我们的模型提供了一个视频的原型描述,称为内-外映射。这张图将流行度解释为一个外在因素的结果--视频收到的来自外部世界的促销数量,作用于两个内在因素--对促销的敏感性和内在的病毒性。我们使用这个模型来预测未来的受欢迎程度,并在5个月内对最受欢迎的视频进行促销,并发现它将基于受欢迎程度历史的方法的平均误差降低了28.6%。最后,我们可以识别出那些有很大潜力成为病毒式传播的视频,以及那些促销几乎没有任何效果的视频。
2017-09-08 cs.SI
Global YouTube Trending Dataset (2022-2025): Three Years of Platform-Curated, Cross-National Trends in Digital Culture
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对 YouTube 热门页面停用,构建2022-2025年覆盖104国、78.4百万条记录的非个性化数据集,为研究数字文化与平台治理提供独特资源。
2025-10-24 cs.SI
Tracking Large-Scale Video Remix in Real-World Events
社交信息网络,如YouTube,包含显式在线交互(如“喜欢”,留下评论或订阅视频源)和潜在交互(如引用或重新混合视频的部分)的痕迹。我们提出了视觉模因,或经常重新发布的短视频片段,用于跟踪这种潜在的视频互动规模。视觉模因提取可扩展的检测算法,我们开发,具有高精度。我们进一步增加视觉模因与文本,通过潜在主题的统计模型。我们用视觉模因对YouTube上的内容交互进行建模,定义了几种影响力的衡量标准,并为模因流行度建立了预测模型。实验是在2009年两个重要新闻事件的40,000多个视频中的200多万个视频镜头上进行的:伊朗大选和猪流感疫情。在这两个事件中,很高比例的视频包含混音内容,很明显,传统新闻媒体和公民记者在传播混音内容方面扮演着不同的角色。我们进行了两个定量评价注释视觉模因和预测其受欢迎程度。视觉模因和文字的联合统计模型优于并发模型,预测模因数量的平均误差约为2%,预测模因寿命的平均误差约为17%。
2013-05-12 cs.MM cs.SI
Analyzing X's Web of Influence: Dissecting News Sharing Dynamics through Credibility and Popularity with Transfer Entropy and Multiplex Network Measures
本研究针对X平台大规模网络中隐藏影响者难识别的问题,采用改进的传递熵非参数框架结合多层网络测度,分析三类重大事件中用户的新闻传播影响模式,发现可信新闻传播者偶尔使用不可信来源的不对称策略规律。
2024-07-12 cs.SI
Beyond Views: Measuring and Predicting Engagement in Online Videos
视频在互联网流量中的份额一直在增长,因此了解视频如何在全球范围内吸引注意力也越来越重要。目前大多数研究集中在建模的意见,但我们认为,视频参与,或观看时间是一个更合适的措施,注意力,网络和推广活动的资源分配问题。在本文中,我们首次从公开的数据流中对视频级聚合参与进行了大规模测量,收集了2016年两个月内发布的530万个YouTube视频。我们研究了一组指标,包括时间和观看视频的平均百分比。我们定义了一个新的指标,相对参与度,这是校准对视频属性和强烈相关的公认的质量概念。此外,我们发现,视频的参与度随着时间的推移是稳定的,从而将参与度建模和受欢迎度建模的关注分开-后者被认为是不稳定的,并由外部促销驱动。我们还发现,从冷启动设置中可以预测参与度指标,其大部分差异都可以通过视频上下文,主题和渠道信息来解释- R2=0.77。我们的观察意味着参与度指标的几种潜在用途-选择视频制作的参与主题,或在推荐系统中推广参与视频。
2018-04-10 cs.HC cs.SI
Estimating Attention Flow in Online Video Networks
在线视频显示出互联网流量的巨大增长。大多数视频托管网站都实现了推荐系统,它将视频连接到一个有向网络中,并在概念上充当用户导航的路径来源。目前,很少有人知道人类的注意力是如何分配在这样的大规模网络,以及推荐系统的影响。在本文中,我们首先构建了Vevo网络--一个由60,740个音乐视频通过推荐链接相互连接的YouTube视频网络,并收集了它们相关的观看动态。这导致在9周的时间内每天总共有3.1亿次浏览。接下来,我们提出了连接推荐网络结构和视频注意力动态的大规模测量。我们使用蝴蝶结结构来描述Vevo网络,我们发现它的核心组件(23.1%的视频),占据了大部分的注意力(82.6%的视图),主要是由他们之间推荐的视频组成的。这表明了视频推荐和注意力分配不平等之间的联系。最后,我们解决的任务,估计在视频推荐网络中的注意流。我们提出了一个模型,该模型考虑了预测视频流行度的网络效应,并且我们表明它始终优于基线。该模型还识别了一组由于推荐网络而获得关注的艺术家。总之,我们的观察和我们的模型提供了一套新的工具,以更好地了解推荐系统对集体社会关注的影响。
2020-03-20 cs.HC cs.IR cs.SI