The Untold Story of the Clones: Content-agnostic Factors that Impact YouTube Video Popularity
通过YouTube等网站传播视频可以对观点、思想和文化产生广泛影响。并不是所有的视频都能达到同样的受欢迎程度,并产生同样的影响。受欢迎程度的差异不仅是因为视频内容的差异,还因为其他“内容不可知”的因素。后几个因素引起了相当大的兴趣,但很难准确地研究它们。例如,由具有大型社交网络的用户上传的视频可能倾向于更受欢迎,因为它们倾向于具有更有趣的内容,而不是因为社交网络大小对流行度具有实质性的直接影响。在本文中,我们开发并应用了一种方法,能够准确地评估,定性和定量,各种内容不可知因素对视频流行的影响。当控制视频内容时,我们观察到一个强烈的线性“富-更富”行为,除了非常年轻的视频外,以前的观看总数是最重要的因素。第二个最重要的因素是视频年龄。我们分析了一些可能导致富人越来越富的现象,包括先发优势和对热门视频的搜索偏好。对于年轻的视频,我们发现,除了以前的浏览总数之外,其他因素,如上传者特征和关键字数量,变得相对更重要。我们的研究结果还证实,当不控制内容时,可能会得出不准确的结论。
2013-11-26 cs.CY cs.SI
Online Popularity under Promotion: Viral Potential, Forecasting, and the Economics of Time
对在线项目的流行动力学建模是计算社会科学中一个重要的开放性问题。本文提出了一个深入的研究流行动态下的外部促销,特别是在预测流行跳跃的在线视频,并确定有效和高效的时间表,以促进在线内容。最近提出的霍克斯强度过程(HIP)模型流行作为一个非线性的相互作用之间的外源性刺激和内源性反应。在这里,我们提出了两个新的指标的基础上HIP:描述每单位的推广普及增益,并量化所需的时间,这样的效果展开。我们通过包含有关视频的内在属性,它收到的促销信息以及受欢迎程度排名的非线性效应,对未来流行度进行越来越准确的预测。我们通过模拟来说明随着时间的推移,流行程度的展开,和时间敏感的资源价值之间的相互作用。最后,我们的模型借了一个新的解释,普遍采用的定期和不断的促销策略,在广告中,作为增加感知病毒的潜力。这项研究提供了定量的指导方针,制定推广计划,考虑内容病毒式传播,时间和经济。
2017-03-22 cs.SI
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
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
Forecasting the Buzz: Enriching Hashtag Popularity Prediction with LLM Reasoning
National University of Singapore(新加坡国立大学);Xi'an Jiaotong University(西安交通大学);Institute of Medical Information, Chinese Academy of Medical Sciences(中国医学科学院医学信息研究所)
针对话题标签流行度预测难题,提出BuzzProphet框架,利用LLM生成主题病毒性等推理增强特征,结合回归模型,在HashView基准上显著提升预测精度与相关性。
2025-10-09 cs.SI
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
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
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
Forecasting Popularity of Videos using Social Media
University of California, Los Angeles(加州大学洛杉矶分校);Simon Fraser University(西蒙弗雷泽大学)
本文提出了一种系统的在线预测方法(社会预测),能够准确预测社交媒体推广的视频的受欢迎程度。Social-Forecast在进行流行度预测时明确考虑了社交媒体中视频的动态变化和不断发展的传播模式,从而能够感知情况和上下文。社交预测的目标是最大化预测奖励,这被定义为流行预测准确性和发布预测的及时性之间的权衡。预测是在线进行的,不需要训练阶段或先验知识。我们分析绑定的预测性能损失的社会预测相比,获得了一个无所不知的预言,并证明该界是次线性的视频到达的数量,从而保证其短期性能以及其渐近收敛到最佳性能。此外,我们使用从人人网(中国最大的在线社交网络之一)上分享的视频中收集的真实数据痕迹进行了广泛的实验。这些实验表明,我们提出的方法优于现有的基于视图的流行度预测方法(不上下文感知)超过30%的预测奖励。
2014-03-22 cs.LG cs.SI
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
TrendLearner: Early Prediction of Popularity Trends of User Generated Content
我们在这里关注的问题,尽早预测用户生成内容(UGC)的流行趋势。以YouTube视频为例,我们提出了一种新的两步学习方法:(1)从以前上传的对象中提取流行趋势,(2)预测新内容的趋势。与以前的工作不同,我们的解决方案明确地解决了预测准确性和预测后对内容的剩余兴趣之间的固有权衡,并在每个对象的基础上解决了它。我们的实验结果表明,我们的解决方案的替代品,其适用性,以提高国家的最先进的流行预测方法的准确性有很大的改善。
2016-02-14 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
The Pulse of News in Social Media: Forecasting Popularity
新闻报道的时效性很强。新闻项目之间也存在着尽可能广泛传播的激烈竞争。因此,预测社交网络上新闻项目的受欢迎程度的任务既有趣又具有挑战性。先前的研究已经处理了基于早期流行度来预测最终的在线流行度。然而,最理想的是在发布之前预测项目的受欢迎程度,从而促进做出适当决策以修改文章及其发布方式的可能性。在本文中,我们构建了一个多维的特征空间,来自一篇文章的属性,并评估这些功能的有效性,作为在线流行度的预测。我们研究了回归和分类算法,并证明了尽管人类行为具有随机性,但预测twitter上的受欢迎程度范围是可能的,总体准确率为84%。我们的研究还有助于说明传统上突出的来源和社交网络上非常流行的来源之间的差异。
2012-02-02 cs.CY cs.NI cs.SI
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
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
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
SMTPD: A New Benchmark for Temporal Prediction of Social Media Popularity
本文构建了基于YouTube多模态内容的社交媒体时间流行度预测新基准SMTPD及基线框架,验证了时间对齐与早期流行度对预测的关键作用。
2025-03-06 cs.MM 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
To what extent homophily and influencer networks explain song popularity
预测新歌的流行程度已经成为音乐行业的标准做法,并为那些做得好的人提供了比较优势。为此目的,在机器学习预测模型方面投入了相当大的努力。已知在这些模型中,相关预测参数包括内在抒情和声学特性、外在因素(例如,出版商的影响力和支持),以及艺术家以前的受欢迎程度。人们对歌曲流行传播的社会因素关注较少。最近,有报道称,音乐同质性的证据--社会关系密切的人也有共同的音乐品味。在这里,我们确定如何音乐同质性可以用来预测歌曲的流行。这项研究是基于last.fm在线音乐平台的广泛数据集,从中我们可以提取听众和他们的听力模式之间的社会联系。为了量化网络在歌曲传播中的重要性,并最终决定其流行程度,我们使用音乐同质性来设计一个预测影响参数,并表明将其纳入最先进的机器学习模型可以增强对歌曲流行程度的预测。的影响参数提高了预测精度(TP/(TP+FN))从0.14到0.21约50%,这表明在音乐的传播中的社会成分发挥至少作为艺术家的知名度或流派的影响显着的作用。
2022-11-28 cs.SI physics.soc-ph
A Hybrid Method of Sentiment Analysis and Machine Learning Algorithm for the U.S. Presidential Election Forecasting
本文提出融合人口普查、经济、民调与 Twitter 情感数据的州级混合机器学习框架,用于预测美国总统选举,并在2020年选举中达到96%准确率。
2023-12-09 cs.SI
Sentiment and Hashtag-aware Attentive Deep Neural Network for Multimodal Post Popularity Prediction
针对现有多模态帖子流行度预测方法忽略多模态信息及跨模态关系的问题,提出NARRATOR模型,融合视觉人口统计特征、话题标签情感与话题标签引导注意力,在两个真实数据集上性能显著优于现有方法。
2024-12-14 cs.IR cs.SI
From Paris to Berlin: Discovering Fashion Style Influences Around the World
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Facebook AI Research(Facebook人工智能研究院)
服装风格的演变及其在世界各地的迁移是有趣的,但很难定量描述。我们建议从人们穿着衣服的日常图像中发现和量化时尚的影响。我们介绍了一种方法,检测哪些城市影响其他城市在传播他们的风格。然后,我们利用发现的影响模式来为预测模型提供信息,该模型预测未来任何给定城市的任何给定风格的流行程度。展示我们的想法与GeoStyle-一个大规模的数据集的7.7M图像覆盖44个主要的世界城市,我们提出了发现的影响关系,揭示了城市如何发挥和接受时尚的影响力的阵列50观察到的视觉风格。此外,所提出的预测模型实现了国家的最先进的结果具有挑战性的风格预测任务,显示出接地视觉风格演变的空间和时间上的优势。
2020-08-09 cs.CV cs.SI
SEISMIC: A Self-Exciting Point Process Model for Predicting Tweet Popularity
社交网站允许用户创建和共享内容。当这些网站的用户与他们的朋友和追随者分享别人的帖子时,就会形成大量的信息分享。理解这种级联行为的核心挑战之一是预测信息爆发,其中单个帖子通过被许多用户重新共享而变得广泛流行。在本文中,我们专注于预测一个给定的职位的最终reshare数。我们建立在自激点过程理论的基础上,开发了一个统计模型,使我们能够做出准确的预测。我们的模型不需要训练或昂贵的特征工程。它产生了一个简单而有效的可计算公式,使我们能够实时回答问题,例如:考虑到目前为止的帖子重新共享历史,我们目前对其最终重新共享数量的估计是多少?后再分享级联是否已经过了爆炸性增长的初始阶段?那么,哪些岗位在未来会被最多人分享呢?我们使用一个月的完整Twitter数据验证了我们的模型,并证明了现有方法在预测准确性方面的显著提高。我们的模型在观察一个小时后预测平均信息级联的最终大小时,只有15%的相对误差。
2015-06-08 cs.SI physics.soc-ph stat.AP