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

No vasto e agitado oceano de conteúdo de vídeo de formato curto, onde milhões de clipes são enviados todos os dias, uma única pergunta impulsiona os motores dos algoritmos de recomendação: qual vídeo capturará a atenção do mundo e por quanto tempo? Prever essa popularidade não é meramente uma questão de contar curtidas ou compartilhamentos; é uma tentativa de prever o comportamento futuro de uma multidão com base nas reações fugazes e, muitas vezes, caóticas de indivíduos. Durante anos, pesquisadores tentaram construir modelos que pudessem ver o futuro do sucesso de um vídeo analisando seu conteúdo — como ele se parece, como soa e o que o texto diz sobre ele. Eles também tentaram rastrear como os usuários interagem com um vídeo ao longo do tempo, tratando essas interações como um simples gráfico de linha que sobe ou desce. No entanto, essas abordagens frequentemente perdem o ritmo mais profundo e complexo do engajamento humano. Elas falham em entender que uma explosão de curtidas pode desencadear uma onda de compartilhamentos, ou que um fluxo repentino de comentários negativos pode matar instantaneamente o ímpeto de um vídeo, independentemente de quão belo o vídeo seja em si.

Uma equipe de pesquisadores da Universidade Jiao Tong de Xangai e da Universidade Queen's de Belfast propôs uma nova maneira de resolver esse enigma, introduzindo um sistema que chamam de M3TR. Em vez de apenas olhar para o que um vídeo é feito, ou tratar o feedback do usuário como um número simples que muda ao longo do tempo, essa nova abordagem trata a popularidade como uma sequência de eventos viva e pulsante. Os pesquisadores perceberam que, para prever o futuro de um vídeo, é preciso entender a reação em cadeia específica e intrincada das reações humanas. Eles construíram um sistema que aprende a reconhecer o "DNA temporal" único do sucesso de um vídeo. Isso significa que o sistema não pergunta apenas: "Este vídeo é sobre gatos?". Ele pergunta: "Este vídeo segue o mesmo padrão de excitação e declínio de outros vídeos que se tornaram famosos, mesmo que esses outros vídeos fossem sobre culinária ou dança?". Ao combinar uma compreensão profunda de como as interações dos usuários influenciam umas às outras com um mecanismo de busca inteligente que encontra vídeos com históricos de popularidade semelhantes, a equipe criou uma ferramenta que vê o futuro com mais clareza do que nunca.

O cerne de sua descoberta reside em como eles modelaram a maneira como as pessoas reagem aos vídeos. No passado, os sistemas frequentemente tratavam um "curtir", um "compartilhar" e um "comentário" como eventos independentes, ou simplesmente os somavam em uma pontuação única. Os pesquisadores sabiam que isso estava errado. Eles entenderam que essas ações estão profundamente conectadas: um surto de curtidas pode encorajar mais compartilhamentos, enquanto uma onda de comentários controversos pode suprimir o engajamento posterior. Para capturar isso, eles desenvolveram um novo método que vê o feedback do usuário como uma série de eventos autoexcitáveis, onde uma ação naturalmente desencadeia a próxima, mas onde a natureza desse gatilho pode mudar dependendo do contexto. Eles usaram uma arquitetura de rede neural sofisticada para aprender os padrões de longo prazo nessas sequências, permitindo que o sistema visse que um tipo específico de comentário poderia sinalizar o fim da popularidade de um vídeo, mesmo que o vídeo ainda estivesse recebendo curtidas. Essa capacidade de distinguir entre o ímpeto positivo e um pico falso foi um avanço crítico.

Uma vez que o sistema pudesse mapear com precisão o histórico complexo das interações de um vídeo, os pesquisadores enfrentaram o próximo desafio: como usar esse conhecimento para prever o futuro. Métos tradicionais buscariam outros vídeos que parecessem ou soassem semelhantes. Se você tivesse um vídeo sobre um gato, o sistema procuraria por outros vídeos de gatos. Os pesquisadores acharam essa abordagem falha. Um vídeo sobre um gato pode ter uma ascensão lenta e constante na popularidade, enquanto outro vídeo de gato pode explodir instantaneamente e depois desaparecer. O conteúdo era o mesmo, mas a história de seu sucesso era completamente diferente. Seu novo sistema, M3-M3TR, mudou as regras da busca. Em vez de apenas combinar conteúdo, ele combinava a "história" da popularidade. Ele pesquisava em uma enorme biblioteca de vídeos históricos para encontrar exemplos que compartilhassem o mesmo padrão de engajamento — vídeos que subiram e caíram da mesma forma, independentemente de serem sobre gatos, carros ou culinária.

Essa mudança de correspondência de conteúdo para correspondência de padrão provou ser incrivelmente poderosa. Quando os pesquisadores testaram seu sistema em dados do mundo real de dois grandes conjuntos de dados, os resultados foram impressionantes. O novo modelo superou significativamente todos os métodos anteriores, reduzindo o erro em suas previsões em até 19,3 por cento. Em termos mais simples, foi muito mais preciso ao adivinhar quantas pessoas assistiriam, curtiram ou compartilhariam um vídeo nas horas e dias seguintes. O sistema foi particularmente bom em lidar com os casos mais difíceis: vídeos que começaram fortes, mas depois perderam força, ou vídeos que ficaram latentes antes de subitamente viralizarem. Ao aprender com a trajetória específica de vídeos passados, o modelo podia detectar os sinais sutis de que um vídeo estava prestes a estagnar ou decolar, algo que os modelos antigos perdiam inteiramente.

Os pesquisadores também demonstraram que sua abordagem é prática para o uso no mundo real. Embora o sistema exija uma quantidade significativa de poder computacional para construir sua biblioteca de padrões de vídeo, este trabalho é feito antecipadamente, offline. Uma vez construída a biblioteca, o sistema pode fazer previsões para novos vídeos em tempo real, encontrando os exemplos históricos mais relevantes em uma fração de segundo. Esse processo de duas etapas garante que o sistema permaneça rápido e eficiente para os usuários, mesmo à medida que a biblioteca de dados cresce para incluir milhões de vídeos. O estudo confirma que compreender a história dinâmica e evolutiva de como as pessoas interagem com o conteúdo é muito mais importante para a previsão do que simplesmente analisar o conteúdo em si. Ao ouvir o ritmo da atenção humana em vez de apenas olhar para a imagem, os pesquisadores forneceram uma maneira nova e mais confiável de navegar no mundo imprevisível da mídia viral.