DOI: https://doi.org/10.1109/tkde.2026.3674132
تاريخ النشر: 2026-03-16
المؤلف: Dizhan Xue وآخرون
الموضوع الرئيسي: تقنيات تحليل الشبكات المعقدة
نظرة عامة
تقدم ورقة البحث مهمة تقييم تأثير انتشار الفيديو القصير (SPIR)، مع التأكيد على الحاجة إلى تحليل منهجي لانتشار الفيديو القصير عبر منصات مختلفة. لدعم هذا الجهد، يقدم المؤلفون مجموعة بيانات الفيديو القصير عبر المنصات (XS-Video)، وهي أول مجموعة بيانات كبيرة تشمل 117,720 فيديو و381,926 عينة عبر خمس منصات صينية رئيسية. تم وضع علامات فريدة على هذه المجموعة لتعكس مستويات تأثير الانتشار من 0 إلى 9 وتضم مقاييس شاملة مثل المشاهدات، والإعجابات، والمشاركات، والتعليقات، مما يوفر أساسًا قويًا لدراسة ديناميات الفيديو القصير.
بالإضافة إلى ذلك، تقدم الورقة نموذجًا كبيرًا للرسوم البيانية (LGM) يسمى NetGPT، الذي يستخدم آلية تدريب جديدة من ثلاث مراحل لدمج بيانات الرسوم البيانية المتنوعة مع قدرات التفكير لنماذج اللغة الكبيرة (LLMs). تم تصميم NetGPT لتحليل رسم انتشار الفيديو القصير بفعالية، مما يسمح بتوقعات دقيقة لتأثير الانتشار على المدى الطويل. تظهر النتائج التجريبية تفوق النموذج في مهام SPIR، والتي تم التحقق منها من خلال مقاييس التصنيف والانحدار على مجموعة بيانات XS-Video. يخطط المؤلفون لجعل مجموعة البيانات والرمز المرتبط متاحين للجمهور عند قبول الورقة.
مقدمة
تناقش مقدمة هذه الورقة البحثية الارتفاع السريع لمنصات الفيديو القصير مثل TikTok وKwai وXigua، التي أنشأت شبكات معقدة من المحتوى والتفاعلات التي ينشئها المستخدمون. ركزت الأبحاث التقليدية بشكل أساسي على توقع شعبية الفيديوهات باستخدام مقاييس فردية مثل المشاهدات أو الإعجابات. بالمقابل، تقدم هذه الدراسة مهمة تقييم تأثير انتشار الفيديو القصير (SPIR)، التي تهدف إلى تقييم تأثير الانتشار على المدى الطويل للفيديوهات القصيرة المنشورة حديثًا من خلال النظر في مؤشرات تفاعلية متعددة، بما في ذلك المشاهدات، والإعجابات، والمشاركات، والتعليقات. تسعى مهمة SPIR إلى تقديم فهم أكثر شمولاً لتأثير الفيديو على مدى فترة طويلة، بدلاً من لقطة قصيرة الأجل.
لدعم هذا البحث، يقدم المؤلفون مجموعة بيانات الفيديو القصير عبر المنصات (XS-Video)، التي تشمل 381,926 عينة من خمس منصات صينية رئيسية، مما يوسع بشكل كبير عن مجموعات البيانات الحالية من خلال تضمين مؤشرات تفاعلية متنوعة ومحتوى التعليقات. بالإضافة إلى ذلك، تم بناء رسم انتشار كبير من هذه المجموعة، يضم 5.5 مليون عقدة و1.7 مليار حافة موجهة، مما يلتقط العلاقات المعقدة بين الفيديوهات والمواضيع والتفاعلات. يقوم المؤلفون أيضًا بتقييم الأساليب المتطورة لمهمة SPIR، كاشفين عن عيوبها، مما يؤدي إلى تطوير نموذج كبير جديد للرسوم البيانية (NetGPT). يستخدم هذا النموذج آلية تدريب من ثلاث مراحل لدمج بيانات الرسوم البيانية المتنوعة مع نماذج اللغة الكبيرة، مما يظهر في النهاية أداءً متفوقًا في توقع تأثير انتشار الفيديو القصير.
الطرق
في هذا القسم، يوضح المؤلفون إعداد التجربة لتقييم نموذجهم المقترح مقارنة بعشر طرق أساسية متطورة، والتي تشمل أربعة شبكات عصبية رسومية (GNNs)، وأربعة نماذج لغة كبيرة (LLMs)، واثنين من نماذج LLM متعددة الوسائط. الشبكات العصبية الرسومية المستخدمة هي GCN وHAN وHetSANN وRGCN، بينما تتكون نماذج LLM من Mistral-7B-Instruct-v0.3 وInternLM2.5-7B وLlama-3.1-8B-Instruct وQwen2.5-7B-Instruct. تم تصميم نماذج LLM متعددة الوسائط، Llava-Next-Video-7B وQwen2-VL-7B-Instruct، خصيصًا لمعالجة بيانات الفيديو. لضمان مقارنة عادلة، يتم استخدام نفس الرسم البياني المدخل، ووحدة التنبؤ، وخسارة التحسين عبر جميع الأسس GNN، ويتم الحفاظ على تعليمات الإدخال والاستجابات الناتجة بشكل متسق لنماذج LLM.
تكشف تفاصيل التنفيذ أن المؤلفين يستخدمون RGCN ذو طبقتين كترميز للرسم البياني وQwen2-VL-7B-Instruct كهيكل أساسي لنموذج LLM، حيث يتم تدريب النموذج على ثمانية وحدات معالجة رسومية Nvidia A800 80G باستخدام إطار DeepSpeed ومحسن ZeRO-2. تم تعيين أبعاد الميزات المخفية والناتجة إلى 1024، بما يتماشى مع ترميز RGCN، ويتم ضبط النموذج عن طريق تدريب آخر أربع طبقات فقط من مفكك LLM. بالإضافة إلى ذلك، تم تحديد حد أقصى لعدد الرموز يبلغ 4000 لتعليمات الإدخال، وتم تكوين حد أدنى من 50 عقدة جارة لنماذج GNN. كما يقوم المؤلفون بتنفيذ خوارزمية LoRA لتحسين النماذج بكفاءة، مما يضمن القوة في مواجهة أطوال الإدخال المتغيرة من خلال اختيار التعليقات عشوائيًا عند الضرورة.
النتائج
تسلط النتائج التجريبية المقدمة في هذا القسم الضوء على أداء نموذج NetGPT المقترح على مجموعة بيانات XS-Video مقارنةً بمختلف نماذج الشبكات العصبية الرسومية الصغيرة (GNN)، بما في ذلك GCN وHAN وHetSANN وRGCN. من الجدير بالذكر أن NetGPT يتفوق على أفضل GNN صغير، RGCN، من خلال تحقيق زيادة بنسبة 7.3% في الدقة (ACC) وتقليل متوسط الخطأ التربيعي (MSE) ومتوسط الخطأ المطلق (MAE) بنسبة 8.1% و6.6%، على التوالي. يشير هذا إلى أن دمج بيانات الرسوم البيانية مع نماذج اللغة الكبيرة (LLMs) واستخدام المعرفة المدربة مسبقًا على نطاق واسع يعزز بشكل كبير التعرف على تأثير انتشار الفيديو القصير (SPIR). علاوة على ذلك، فإن الأساليب التي لا تتضمن رسم الانتشار تحقق نتائج دون المستوى، حيث يتفوق NetGPT على أفضل نموذج LLM متعدد الوسائط، Qwen2-VL، بنسبة 15.2% في الدقة ويظهر تحسينات كبيرة في متوسط الخطأ التربيعي ومتوسط الخطأ المطلق.
في تحليل التوقعات القصيرة والطويلة الأجل، يتفوق NetGPT باستمرار على RGCN عبر فترات المراقبة المختلفة (≤ 3 أيام، ≤ 7 أيام، و> 7 أيام) من حيث القيم الوسيطة، والمتوسطة، والربع الأول، والربع الثالث، والقيم القصوى لمتوسط الخطأ التربيعي ومتوسط الخطأ المطلق، مما يظهر قوته التنبؤية المتفوقة. ومع ذلك، يظهر كلا النموذجين انخفاضًا في متوسط الخطأ التربيعي ومتوسط الخطأ المطلق مع زيادة فترة المراقبة، مما يبرز التحديات المرتبطة بالتوقعات طويلة الأجل في مجموعة البيانات. تكشف النتائج أيضًا عن أنماط تقارب مميزة عبر خمس منصات صينية رئيسية، مما يشير إلى اختلافات جوهرية في ديناميات الانتشار، مما يبرز ضرورة مجموعة بيانات XS-Video لتحليل شامل لانتشار الفيديو القصير.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على قيود الأبحاث الحالية حول تأثير انتشار الفيديو القصير، التي تركز بشكل أساسي على توقع الشعبية من خلال مقاييس منصة واحدة مثل المشاهدات والإعجابات. بينما توفر هذه المؤشرات رؤى حول شعبية الفيديو، إلا أنها لا تلتقط الطبيعة المعقدة والمتعددة الأبعاد لتأثير الفيديو عبر المنصات. لمعالجة هذه الفجوة، يقدم المؤلفون مجموعة بيانات XS-Video، التي تشمل مجموعة واسعة من المؤشرات التفاعلية وبيانات عبر المنصات من أكبر خمس منصات فيديو صينية. تهدف هذه المجموعة إلى تسهيل تحليل أكثر شمولاً لديناميات انتشار الفيديو.
بالإضافة إلى ذلك، تناقش الورقة تطوير نموذج كبير جديد للرسوم البيانية (NetGPT) مصمم لتحليل رسم الانتشار المتنوع للفيديوهات القصيرة. يدمج هذا النموذج نماذج اللغة الكبيرة (LLMs) مع الشبكات العصبية الرسومية (GNNs) لمعالجة الأنواع المتنوعة من البيانات الموجودة في رسم الانتشار، بما في ذلك المعلومات النصية، والزمنية، والعددية. يؤكد المؤلفون على أهمية هذا النهج في فهم العلاقات والتفاعلات المعقدة التي تدفع تأثير الفيديو عبر منصات مختلفة، مما يعزز مجال تحليل انتشار الفيديو القصير.
DOI: https://doi.org/10.1109/tkde.2026.3674132
Publication Date: 2026-03-16
Author(s): Dizhan Xue et al.
Primary Topic: Complex Network Analysis Techniques
Overview
The research paper introduces the Short-video Propagation Influence Rating (SPIR) task, emphasizing the need for a systematic analysis of short-video propagation across various platforms. To support this endeavor, the authors present the Cross-platform Short-Video (XS-Video) dataset, which is the first large-scale dataset encompassing 117,720 videos and 381,926 samples across five major Chinese platforms. This dataset is uniquely annotated to reflect propagation influence levels from 0 to 9 and includes comprehensive metrics such as views, likes, shares, and comments, thereby providing a robust foundation for studying short-video dynamics.
Additionally, the paper introduces a Large Graph Model (LGM) named NetGPT, which employs a novel three-stage training mechanism to integrate heterogeneous graph-structured data with the reasoning capabilities of Large Language Models (LLMs). NetGPT is designed to analyze the short-video propagation graph effectively, allowing for accurate predictions of long-term propagation influence. Experimental results demonstrate the model’s superiority in SPIR tasks, validated through both classification and regression metrics on the XS-Video dataset. The authors plan to make the dataset and associated code publicly available upon acceptance of the paper.
Introduction
The introduction of this research paper discusses the rapid rise of short-video platforms such as TikTok, Kwai, and Xigua, which have created complex networks of user-generated content and interactions. Traditional research has primarily focused on predicting the popularity of videos using single metrics like views or likes. In contrast, this study introduces the Short-video Propagation Influence Rating (SPIR) task, which aims to evaluate the long-term propagation influence of newly posted short-videos by considering multiple interactive indicators, including views, likes, shares, and comments. The SPIR task seeks to provide a more comprehensive understanding of video influence over an extended period, rather than a short-term snapshot.
To support this research, the authors present the Cross-platform Short-Video (XS-Video) dataset, which encompasses 381,926 samples from five major Chinese platforms, significantly expanding upon existing datasets by including diverse interactive indicators and comment content. Additionally, a large propagation graph is constructed from this dataset, featuring 5.5 million nodes and 1.7 billion directed edges, which captures the intricate relationships among videos, topics, and interactions. The authors also evaluate state-of-the-art methods for SPIR, revealing their inadequacies, which leads to the development of a novel Large Graph Model (NetGPT). This model employs a three-stage training mechanism to effectively integrate heterogeneous graph data with large language models, ultimately demonstrating superior performance in predicting short-video propagation influence.
Methods
In this section, the authors detail the experimental setup for evaluating their proposed model against ten state-of-the-art baseline methods, which include four Graph Neural Networks (GNNs), four Large Language Models (LLMs), and two multimodal LLMs. The GNNs employed are GCN, HAN, HetSANN, and RGCN, while the LLMs consist of Mistral-7B-Instruct-v0.3, InternLM2.5-7B, Llama-3.1-8B-Instruct, and Qwen2.5-7B-Instruct. The multimodal LLMs, Llava-Next-Video-7B and Qwen2-VL-7B-Instruct, are specifically designed to process video data. To ensure a fair comparison, the same input graph, predictor module, and optimization loss are utilized across all GNN baselines, and consistent input instructions and output responses are maintained for the LLMs.
The implementation details reveal that the authors use a 2-layer RGCN as the graph encoder and Qwen2-VL-7B-Instruct as the LLM backbone, training the model on eight Nvidia A800 80G GPUs with the DeepSpeed framework and ZeRO-2 optimizer. The dimensionality of hidden and output features is set to 1024, matching the RGCN encoder, and the model is fine-tuned by training only the last four layers of the LLM decoder. Additionally, a maximum token limit of 4000 is established for input instructions, and a minimum sampling of 50 neighborhood nodes is configured for GNNs. The authors also implement the LoRA algorithm to optimize the models efficiently, ensuring robustness to varying input lengths by randomly selecting comments when necessary.
Results
The experimental results presented in this section highlight the performance of the proposed NetGPT model on the XS-Video dataset compared to various small Graph Neural Network (GNN) models, including GCN, HAN, HetSANN, and RGCN. Notably, NetGPT outperforms the best small GNN, RGCN, by achieving a 7.3% increase in accuracy (ACC) and reductions in mean squared error (MSE) and mean absolute error (MAE) by 8.1% and 6.6%, respectively. This indicates that integrating graph-structured data with large language models (LLMs) and utilizing large-scale pretrained knowledge significantly enhances short-video propagation influence recognition (SPIR). Furthermore, methods that do not incorporate the propagation graph yield suboptimal results, with NetGPT surpassing the best multimodal LLM, Qwen2-VL, by 15.2% in ACC and showing considerable improvements in MSE and MAE.
In the analysis of short- and long-term predictions, NetGPT consistently outperforms RGCN across various observation periods (≤ 3 days, ≤ 7 days, and > 7 days) in terms of median, average, first quartile, third quartile, and maximum values of MSE and MAE, demonstrating its superior predictive robustness. However, both models exhibit a decrease in MSE and MAE as the observation period increases, highlighting the challenges associated with long-term predictions in the dataset. The results also reveal distinct convergence patterns across five major Chinese platforms, indicating inherent differences in propagation dynamics, which underscores the necessity of the XS-Video dataset for a comprehensive analysis of short-video propagation.
Discussion
The discussion section of the paper highlights the limitations of existing research on short-video propagation influence, which predominantly focuses on popularity prediction through single-platform metrics like views and likes. While these indicators provide insights into video popularity, they do not capture the complex, multifaceted nature of video influence across platforms. To address this gap, the authors introduce the XS-Video dataset, which encompasses a wide range of interactive indicators and cross-platform data from the five largest Chinese video platforms. This dataset aims to facilitate a more comprehensive analysis of video propagation dynamics.
Additionally, the paper discusses the development of a novel Large Graph Model (NetGPT) designed to analyze the heterogeneous propagation graph of short videos. This model integrates Large Language Models (LLMs) with Graph Neural Networks (GNNs) to effectively process the diverse types of data present in the propagation graph, including textual, temporal, and scalar information. The authors emphasize the importance of this approach in understanding the intricate relationships and interactions that drive video influence across different platforms, thereby advancing the field of short-video propagation analysis.