M3TR: Temporal Retrieval Enhanced Multi-Modal Micro-video Popularity Prediction

في خضم المحيط الشاسع والمتلاطم لمحتوى الفيديو قصير المدى، حيث تُرفع ملايين المقاطع كل يوم، يبرز سؤال واحد يحرك محركات خوارزميات التوصية: أي فيديو سيجذب انتباه العالم، ولأي مدة؟ إن التنبؤ بهذه الشعبية ليس مجرد مسألة عدّ الإعجابات أو المشاركات؛ بل هو محاولة للتنبؤ بالسلوك المستقبلي لجمهور ما بناءً على ردود الفعل العابرة، والفوضوية غالباً، للأفراد. لسنوات، حاول الباحثون بناء نماذج يمكنها رؤية مستقبل نجاح الفيديو من خلال تحليل محتواه—ما يبدو عليه، وما يصدر عنه من صوت، وما يقوله النص عنه. كما حاولوا تتبع كيفية تفاعل المستخدمين مع الفيديو بمرور الوقت، معتبرين تلك التفاعلات مجرد رسم بياني بسيط يصعد أو يهبط. ومع ذلك، غالباً ما تخفق هذه الأساليب في إدراك الإيقاع الأعمق والأكثر تعقيداً للتفاعل البشري؛ فهي تفشل في فهم أن موجة من الإعجابات قد تحفز موجة من المشاركات، أو أن فيضاً مفاجئاً من التعليقات السلبية يمكن أن يقتل زخم الفيديو فوراً، بغض النظر عن مدى جمال الفيديو نفسه.

اقترح فريق من الباحثين من جامعة شانغهاي جياو تونغ وجامعة كوينز بلفاست طريقة جديدة لحل هذا اللغز، حيث قدموا نظاماً أطلقوا عليه اسم M3TR. فبدلاً من مجرد النظر إلى مكونات الفيديو، أو التعامل مع ردود فعل المستخدمين كرقم بسيط يتغير بمرور الوقت، يعامل هذا النهج الجديد الشعبية كأحداث حية ومتلاحقة. أدرك الباحثون أنه للتنبؤ بمستقبل فيديو ما، يجب عليك فهم سلسلة التفاعلات البشرية المعقدة والمحددة. لقد بنوا نظاماً يتعلم التعرف على "الحمض النووي الزمني" الفريد لنجاح الفيديو. وهذا يعني أن النظام لا يسأل فقط: "هل هذا الفيديو عن القطط؟"، بل يسأل: "هل يتبع هذا الفيديو نفس نمط الحماس والتراجع الذي اتبعته فيديوهات أخرى أصبحت مشهورة، حتى لو كانت تلك الفيديوهات الأخرى عن الطبخ أو الرقص؟". ومن خلال الجمع بين الفهم العميق لكيفية تأثير تفاعلات المستخدمين على بعضها البعض وبين محرك بحث ذكي يجد الفيديوهات ذات تواريخ الشعبية المماثلة، ابتكر الفريق أداة ترى المستقبل بوضوح أكبر من أي وقت مضى.

يكمن جوهر اكتشافهم في كيفية نمذجة الطريقة التي يتفاعل بها الناس مع الفيديوهات. في الماضي، كانت الأنظمة غالباً ما تعامل "الإعجاب" و"المشاركة" و"التعليق" كأحداث مستقلة، أو ببساطة تجمعها في درجة واحدة. لكن الباحثين أدركوا أن هذا خطأ، وفهموا أن هذه الإجراءات مترابطة بعمق: فزيادة في الإعجابات يمكن أن تشجع على المزيد من المشاركات، بينما يمكن لموجة من التعليقات المثيرة للجدل أن تقمع المزيد من التفاعل. ولتجسيد ذلك، طوروا طريقة جديدة تنظر إلى ردود فعل المستخدم كأحداث ذاتية التحفيز، حيث يحفز أحد الإجراءات الإجراء التالي بشكل طبيعي، ولكن طبيعة هذا التحفيز يمكن أن تتغير بناءً على السياق. استخدموا بنية شبكة عصبية متطورة لتعلم الأنماط طويلة الأمد في هذه التسلسلات، مما سمح للنظام برؤية أن نوعاً معيناً من التعليقات قد يشير إلى نهاية شعبية الفيديو، حتى لو كان الفيديو لا يزال يتلقى إعجابات. وكانت هذه القدرة على التمييز بين الزخم الإيجابي والذروة الزائفة بمثابة اختراق حاسم.

بمجرد أن تمكن النظام من رسم خريطة دقيقة للتاريخ المعقد لتفاعلات الفيديو، واجه الباحثون التحدي التالي: كيف يستخدمون تلك المعرفة للتنبؤ بالمستقبل؟ كانت الطرق التقليدية تبحث عن فيديوهات أخرى تشبهها في المظهر أو الصوت؛ فإذا كان لديك فيديو عن قطة، سيبحث النظام عن فيديوهات قطط أخرى. وجد الباحثون أن هذا النهج معيب؛ فقد يكون لفيديو عن قطة صعود بطيء وثابت في الشعبية، بينما ينفجر فيديو آخر عن القطط فجأة ثم يتلاشى. كان المحتوى هو نفسه، لكن قصة نجاحهما كانت مختلفة تماماً. غير نظامهم الجديد، M3TR، قواعد البحث؛ فبدلاً من مجرد مطابقة المحتوى، قام بمطابقة "قصة" الشعبية. بحث في مكتبة ضخمة من الفيديوهات التاريخية لإيجاد أمثلة تشترك في نفس نمط التفاعل—فيديوهات صعدت وهبطت بنفس الطريقة، بغض النظر عما إذا كانت عن القطط أو السيارات أو الطبخ.

أثبت هذا التحول من مطابقة المحتوى إلى مطابقة الأنماط أنه قوي للغاية. فعندما اختبر الباحثون نظامهم على بيانات واقعية من مجموعتي بيانات كبيرتين، كانت النتائج مذهلة. فقد تفوق النموذج الجديد بشكل كبير على جميع الأساليب السابقة، حيث قلل الخطأ في تنبؤاته بنسبة تصل إلى 19.3 بالمئة. وبعبارة أبسط، كان أكثر دقة بكثير في تخمين عدد الأشخاص الذين سيشاهدون أو يعجبون أو يشاركون الفيديو في الساعات والأيام القادمة. كان النظام بارعاً بشكل خاص في التعامل مع الحالات الأكثر صعوبة: الفيديوهات التي بدأت بقوة ثم تلاشت، أو الفيديوهات التي ظلت خامدة قبل أن تصبح واسعة الانتشار فجأة. ومن خلال التعلم من المسار المحدد للفيديوهات الماضية، استطاع النموذج رصد العلامات الدقيقة التي تشير إلى أن الفيديو على وشك التوقف أو الانطلاق، وهو أمر أغفلته النماذج القديمة تماماً.

كما أثبت الباحثون أن نهجهم عملي للاستخدام في العالم الحقيقي. ورغم أن النظام يتطلب قدرة حوسبة كبيرة لبناء مكتبة أنماط الفيديو الخاصة به، إلا أن هذا العمل يتم مسبقاً وبشكل غير متصل (offline). وبمجرد بناء المكتبة، يمكن للنظام إجراء تنبؤات للفيديوهات الجديدة في الوقت الفعلي، وإيجاد الأمثلة التاريخية الأكثر صلة في جزء من الثانية. تضمن هذه العملية المكونة من خطوتين بقاء النظام سريعاً وفعالاً للمستخدمين، حتى مع نمو مكتبة البيانات لتشمل ملايين الفيديوهات. تؤكد الدراسة أن فهم القصة الديناميكية والمتطورة لكيفية تفاعل الناس مع المحتوى هو أمر أكثر أهمية للتنبؤ من مجرد تحليل المحتوى نفسه. ومن خلال الاستماع إلى إيقاع الانتباه البشري بدلاً من مجرد النظر إلى الصورة، قدم الباحثون طريقة جديدة وأكثر موثوقية للإبحار في عالم الوسائط واسعة الانتشار غير المتوقع.