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

数百万ものクリップが毎日アップロードされる、短尺動画コンテンツという広大で荒れ狂う大海の中で、一つの問いがレコメンデーション・アルゴリズムのエンジンを動かしている。それは、「どの動画が世界の注目を集め、そして、いつまでその注目を維持するのか？」という問いである。この人気を予測することは、単に「いいね」やシェアの数を数えることではない。それは、個人の刹那的で、しばしば混沌とした反応に基づき、群衆の将来の行動を予測しようとする試みである。長年、研究者たちは、動画の内容（それがどのように見え、どのように聞こえ、テキストがそれについて何と述べているか）を分析することで、動画の成功の未来を見通すモデルを構築しようとしてきた。彼らはまた、ユーザーが動画とどのように相互作用するかを追跡し、その相互作用を上下に動く単純な折れ線グラフとして扱おうともしてきた。しかし、これらのアプローチは、人間のエンゲージメントが持つ、より深く複雑なリズムを見落としがちである。彼らは、ある「いいね」の急増がシェアの波を引き起こしたり、あるいは、突然の否定的なコメントの流入が、たとえ動画自体がいかに美しくとも、瞬時に動画の勢いを削いでしまったりするという事実を理解できていないのである。

上海交通大学とクイーンズ大学ベルファストの研究チームは、このパズルを解くための新しい方法として、「M3TR」と呼ぶシステムを提案した。動画が何で構成されているかを見るだけでなく、ユーザーのフィードバックを時間の経過とともに変化する単純な数値として扱うのではなく、この新しいアプローチは、人気を「生きている、呼吸する一連の出来事」として扱う。研究者たちは、動画の未来を予測するためには、人間の反応が引き起こす、具体的で複雑な連鎖反応を理解しなければならないことに気づいた。彼らは、動画の成功が持つ独自の「時間的DNA」を認識することを学習するシステムを構築した。これは、システムが単に「この動画は猫についてのものか？」と問うのではなく、「この動画は、たとえ他の動画が料理やダンスに関するものであったとしても、有名になった他の動画と同じ興奮と衰退のパターンを辿っているか？」と問うことを意味する。ユーザーの相互作用がどのように互いに影響を及ぼし合うかという深い理解と、類似した人気の履歴を持つ動画を見つけ出すスマートな検索エンジンを組み合わせることで、チームはかつてないほど明確に未来を見通すツールを作り上げた。

彼らの発見の核心は、人々が動画に対してどのように反応するかをどのようにモデル化したかにある。過去のシステムでは、「いいね」、「シェア」、「コメント」を独立したイベントとして扱ったり、単にそれらを合算して一つのスコアにしたりすることが多かった。研究者たちは、これが間違いであることを知っていた。彼らは、これらのアクションが深く結びついていることを理解していた。すなわち、いいねの急増がさらなるシェアを促すこともあれば、論争を呼ぶコメントの波がさらなるエンゲージメントを抑制することもある。これを捉えるために、彼らはユーザーのフィードバックを、一連の自己励起的なイベント（一つのアクションが自然に次のアクションを誘発するが、そのトリガーの性質は文脈によって変化し得るもの）として捉える新しい手法を開発した。彼らは洗練されたニューラルネットワーク・アーキテクチャを使用して、これらのシーケンスにおける長期的なパターンを学習させ、特定の種類のコメントが、たとえ動画がまだ「いいね」を獲得していたとしても、動画の人気が終わる兆候となり得ることをシステムに認識させた。この、ポジティブな勢いと偽りのピークを区別する能力が、決定的な突破口となった。

システムが動画の相互作用の複雑な履歴を正確にマッピングできるようになった後、研究者たちは次の課題に直面した。その知識をどのように未来の予測に活用するかである。伝統的な手法では、見た目や音が似ている他の動画を検索する。もし猫についての動画があれば、システムは他の猫の動画を探す。研究者たちは、このアプローチには欠陥があると判断した。猫についての動画が、人気において緩やかで着実な上昇を見せる一方で、別の猫の動画は瞬時に爆発的に広まり、その後すぐに消え去ってしまうことがある。コンテンツは同じでも、成功の物語は全く異なるのである。彼らの新しいシステム、M3TRは、検索のルールを変えた。単にコンテンツを一致させるのではなく、「人気の物語」を一致させるのである。それは膨大な歴史的動画のライブラリを検索し、たとえ猫、車、あるいは料理に関するものであれ、同じエンゲージメントのパターン――つまり、同じように上昇し、同じように下降した動画――を共有する例を見つけ出すのである。

この、コンテンツ・マッチングからパターン・マッチングへの転換は、驚異的な威力を発揮した。研究者たちが2つの大規模なデータセットを用いた実世界のデータでシステムをテストしたところ、その結果は驚くべきものであった。新しいモデルは、予測における誤差を最大19.3パーセント減少させ、従来のあらゆる手法を大幅に上回った。簡単に言えば、今後数時間あるいは数日間に、どれほどの人数が視聴し、「いいね」をし、あるいはシェアするかを予測する精度が格段に高まったのである。このシステムは、最も困難なケース、すなわち、勢いよく始まったものの衰退した動画や、沈黙していた後に突然バイラル化した動画を扱うことに特に優れていた。過去の動画の具体的な軌跡から学習することで、モデルは、動画が停滞しようとしているのか、あるいは勢いに乗ろうとしているのかという微妙な兆候を察知することができた。これは、古いモデルでは完全に見落とされていたものである。

研究者たちはまた、彼らのアプローチが実用的なことも実証した。このシステムは、動画のパターンのライブラリを構築するために多大な計算能力を必要とするが、この作業は事前にオフラインで行われる。ライブラリが構築された後は、システムは新しい動画に対してリアルタイムで予測を行うことができ、最も関連性の高い歴史的な事例をわずか数分の一秒で探し出すことができる。この二段階のプロセスにより、ライブラリのデータが数百万本の動画へと拡大しても、システムは高速かつ効率的に動作し続ける。この研究は、人々がコンテンツとどのように相互作用するかという、動的で進化し続ける物語を理解することが、単にコンテンツ自体を分析することよりも、予測において遥かに重要であることを裏付けている。単に画像を見るのではなく、人間の注目のリズムに耳を傾けることで、研究者たちは、予測不可能なバイラルメディアの世界をナビゲートするための、より信頼できる新しい方法を提供したのである。