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

Nel vasto e agitato oceano dei contenuti video a breve durata, dove vengono caricati milioni di clip ogni giorno, una singola domanda alimenta i motori degli algoritmi di raccomandazione: quale video catturerà l'attenzione del mondo, e per quanto tempo? Prevedere questa popolarità non è solo una questione di contare like o condivisioni; è un tentativo di prevedere il comportamento futuro di una folla basandosi sulle reazioni fugaci, spesso caotiche, degli individui. Per anni, i ricercatori hanno cercato di costruire modelli in grado di vedere il futuro del successo di un video analizzando il suo contenuto: ciò che appare, ciò che suona e ciò che il testo dice a riguardo. Hanno anche cercato di tracciare come gli utenti interagiscono con un video nel tempo, trattando tali interazioni come un semplice grafico a linee che sale o scende. Tuttavia, questi approcci spesso perdono il ritmo più profondo e complesso dell'impegno umano. Non riescono a comprendere che un'ondata di like può innescare un'ondata di condivisioni, o che un improvviso flusso di commenti negativi può istantaneamente uccidere l'impulso di un video, indipendentemente da quanto il video stesso sia bello.

Un team di ricercatori della Shanghai Jiao Tong University e della Queen's University Belfast ha proposto un nuovo modo per risolvere questo enigma, introducendo un sistema che chiamano M3TR. Invece di guardare solo di cosa è fatto un video, o di trattare il feedback dell'utente come un semplice numero che cambia nel tempo, questo nuovo approccio tratta la popolarità come una sequenza di eventi viva e pulsante. I ricercatori si sono resi conto che, per prevedere il futuro di un video, è necessario comprendere la specifica e intricata reazione a catena delle reazioni umane. Hanno costruito un sistema che impara a riconoscere il "DNA temporale" unico del successo di un video. Ciò significa che il sistema non si limita a chiedere: "Questo video parla di gatti?". Chiede: "Questo video segue lo stesso schema di eccitazione e declino di altri video che sono diventati famosi, anche se quegli altri video parlavano di cucina o danza?". Combinando una profonda comprensione di come le interazioni degli utenti si influenzino a vicenda con un motore di ricerca intelligente che trova video con storie di popolarità simili, il team ha creato uno strumento che vede il futuro con maggiore chiarezza rispetto al passato.

Il nucleo della loro scoperta risiede nel modo in cui hanno modellato il modo in cui le persone reagiscono ai video. In passato, i sistemi spesso trattavano un "like", una "condivisione" e un "commento" come eventi indipendenti, o semplicemente li sommavano in un unico punteggio. I ricercatori sapevano che questo era sbagliato. Avevano compreso che queste azioni sono profondamente connesse: un aumento di like può incoraggiare più condivisioni, mentre un'ondata di commenti controversi può reprimere ulteriore coinvolgimento. Per catturare questo, hanno sviluppato un nuovo metodo che vede il feedback dell'utente come una serie di eventi auto-eccitanti, in cui un'azione ne innesca naturalmente un'altra, ma in cui la natura di tale innesco può cambiare in base al contesto. Hanno utilizzato un'architettura di rete neurale sofisticata per apprendere i modelli a lungo termine in queste sequenze, permettendo al sistema di vedere che un tipo specifico di commento potrebbe segnalare la fine della popolarità di un video, anche se il video sta ancora ricevendo like. Questa capacità di distinguere tra slancio positivo e un falso picco è stata una svolta critica.

Una volta che il sistema è stato in grado di mappare accuratamente la complessa storia delle interazioni di un video, i ricercatori hanno affrontato la sfida successiva: come usare quella conoscenza per prevedere il futuro. I metodi tradizionali avrebbero cercato altri video che sembrassero o suonassero simili. Se avevi un video su un gatto, il sistema avrebbe cercato altri video di gatti. I ricercatori hanno trovato questo approccio fallace. Un video su un gatto potrebbe avere una crescita di popolarità lenta e costante, mentre un altro video di gatti potrebbe esplodere istantaneamente e poi svanire. Il contenuto era lo stesso, ma la storia del loro successo era completamente diversa. Il loro nuovo sistema, M3TR, ha cambiato le regole della ricerca. Invece di limitarsi a far corrispondere il contenuto, faceva corrispondere la "storia". Cercava in una vasta libreria di video storici esempi che condividessero lo stesso schema di coinvolgimento: video che salivano e scendevano nello stesso modo, indipendentmente dal fatto che parlassero di gatti, auto o cucina.

Questo passaggio dal matching del contenuto al matching del pattern si è rivelato incredibilmente potente. Quando i ricercatori hanno testato il loro sistema su dati reali provenienti da due grandi dataset, i risultati sono stati sorprendenti. Il nuovo modello ha superato significativamente tutti i metodi precedenti, riducendo l'errore nelle sue previsioni fino al 19,3 percento. In termini più semplici, era molto più accurato nel indovinare quante persone avrebbero guardato, messo like o condiviso un video nelle ore e nei giorni successivi. Il sistema era particolarmente bravo a gestire i casi più difficili: video che partivano forti per poi svanire, o video che giacevano inerti prima di diventare improvvisamente virali. Imparando dalla specifica traiettoria dei video passati, il modello poteva individuare i segnali sottili che un video stava per fermarsi o decollare, qualcosa che i modelli più vecchi perdevano completamente.

I ricercatori hanno anche dimostrato che il loro approccio è pratico per l'uso nel mondo reale. Sebbene il sistema richieda una quantità significativa di potenza di calcolo per costruire la sua libreria di pattern video, questo lavoro viene svolto in anticipo, offline. Una volta costruita la libreria, il sistema può effettuare previsioni per nuovi video in tempo reale, trovando gli esempi storici più rilevanti in una frazione di secondo. Questo processo in due fasi assicura che il sistema rimanga veloce ed efficiente per gli utenti, anche quando la libreria di dati cresce includendo milioni di video. Lo studio conferma che comprendere la storia dinamica ed evolutiva di come le persone interagiscono con i contenuti è molto più importante per la previsione rispetto alla semplice analisi del contenuto stesso. Ascoltando il ritmo dell'attenzione umana piuttosto che limitarsi a guardare l'immagine, i ricercatori hanno fornito un modo nuovo e più affidabile per navigare nell'imprevedibile mondo dei media virali.