Understanding video propagation in online social networks
Notice bibliographique
Résumé
Recent statistics suggest that online social network (OSN) users regularly share video contents from video sharing sites (VSSes), and a significant amount of views of VSSes are indeed from OSN users nowadays. By crawling and comparing the statistics of same videos shared in both RenRen (the largest Facebook-like OSN in China) and Youku (the largest Youtube-like VSS in China), we find that the huge and distinguished video requests from OSNs have substantially changed the workload of VSSes. In particular, OSNs amplify the skewness of video popularity so largely that about 0.31% most popular videos account for 80% of total views. Another interesting phenomenon is that many popular videos in VSSes may not receive many requests in OSNs. To further understand these findings, we track the propagation process of videos shared in RenRen since their introduction to this OSN, and analyze the effect of potential parameters to such process, including the number of initiators (users who bring the video to the OSN directly from a VSS), branching factor (the number of users who watch the friend's shared video), and share rate (the probability that the viewers of a video will further share this video). Beyond our expectation, none of these factors determine a video's popularity in an OSN. Instead, it shows great randomness for the number of a video's potential requests when it is shared to an OSN. By modifying the basic Galton-Watson stochastic branching process, we develop a simple yet effective model to simulate the video propagation process in an OSN. Simulation results show that it can well capture the randomness of a video's popularity and the skewed video popularity distribution.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».