How to go viral: leveraging graph and semantic counterfactual algorithms

Κιούρα, Ιωάννα; Kioura, Ioanna

dc.contributor.author	Κιούρα, Ιωάννα	el
dc.contributor.author	Kioura, Ioanna	en
dc.date.accessioned	2025-01-13T12:16:38Z
dc.date.available	2025-01-13T12:16:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60719
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28415
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Γράφοι γνώσης	el
dc.subject	Εξηγήσεις με αντιπαράδειγμα	el
dc.subject	YouTube	en
dc.subject	Viral videos	en
dc.subject	Knowledge Graphs	en
dc.subject	Semantic Counterfactuals	en
dc.title	How to go viral: leveraging graph and semantic counterfactual algorithms	en
heal.type	bachelorThesis
heal.classification	Τεχνητή Νοημοσύνη	el
heal.classification	Artificial Intelligence	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-18
heal.abstract	This thesis explores the complex field of content virality and its determinant factors, specifically focusing on YouTube videos. The introductory chapters cover fundamental ideas in the essential concepts of graph theory, sentiment analysis, image captioning, semantic similarity, and counterfactual explanations, which are used to construct a comprehensive framework for understanding viral content. More specifically, graph theory basics provide the structural foundation, highlighting how graphs can represent complex relationships and dependencies present in video material. Sentiment analysis techniques are examined to understand the perception of and emotional response towards textual data. The chapter on image captioning demonstrates the integration of computer vision and natural language processing to automatically generate descriptive metadata for video thumbnails. Semantic similarity is also utilized in order to be able to compare textual data and a semantic counterfactual algorithm is issued to calculate the differences and distance between two graphs. The objective of this thesis is to identify key factors that are recurrent across viral videos and construct a framework that will provide content creators with useful advice to increase their videos' chances for virality. The proposed method involves creating a customized dataset from YouTube Trending Video Dataset, transforming video-related data into graph representations, and employing graph counterfactual algorithms to compare them with one another and identify key elements that drive a video from non-viral to viral status. Experiments are conducted, in specific video categories and in a mixed dataset as well. The most prevalent differences between non-viral and viral videos are highlighted through statistical analysis and a qualitative analysis suggests changes to non-viral example videos and explores the framework's strengths and weaknesses. Overall, this thesis provides a robust framework for understanding and enhancing viral YouTube content, combining theoretical insights with practical applications to offer valuable advice for content creators, businesses, influencers, etc aiming to maximize their reach and impact.	en
heal.abstract	Η παρούσα διατριβή εμβαθύνει στον πολύπλοκο τομέα του virality και παραγόντων που το καθορίζουν, εστιάζοντας στα βίντεο του YouTube. Τα εισαγωγικά κεφάλαια θέτουν τις βάσεις για την κατανόηση της προτεινόμενης μεθόδου, αναλύοντας βασικές έννοιες της θεωρίας γραφημάτων, της ανάλυσης συναισθήματος, του image captioning, της σημασιολογικής ομοιότητας και των εξηγήσεων με αντιπαράδειγμα, εργαλεία χρησιμοποιούνται για την κατασκευή ενός ολοκληρωμένου πλαισίου ανάλυσης του viral περιεχομένου. Πιο συγκεκριμένα, τα βασικά στοιχεία της θεωρίας γράφων παρέχουν το δομικό θεμέλιο, τονίζοντας πώς οι γράφοι μπορούν να αναπαραστήσουν πολύπλοκες σχέσεις και εξαρτήσεις εντός του περιεχομένου των βίντεο. Εξετάζονται τεχνικές ανάλυσης συναισθήματος για την κατανόηση του τρόπου με τον οποίο τα δεδομένα κειμένου γίνονται αντιληπτά από το κοινό και των συναισθηματικών αντιδράσεων που προκαλούν. Το κεφάλαιο σχετικά με το image captioning αναλύει την ενσωμάτωση της υπολογιστικής όρασης και της επεξεργασίας φυσικής γλώσσας για την αυτόματη παραγωγή περιγραφικών μεταδεδομένων για εικόνες από thumbnail βίντεο. Χρησιμοποιείται επίσης η σημασιολογική ομοιότητα προκειμένου να είναι δυνατή η σύγκριση κειμενικών δεδομένων και χρησιμοποιείται ένας σημασιολογικός αντιπαραθετικός αλγόριθμος για τον υπολογισμό των διαφορών και της απόστασης μεταξύ δύο γραφημάτων. Στόχος της παρούσας διπλωματικής εργασίας είναι να εντοπίσει βασικούς παράγοντες που επαναλαμβάνονται σε όλα τα viral βίντεο και να κατασκευάσει ένα framework που θα παρέχει στους δημιουργούς περιεχομένου χρήσιμες συμβουλές για να αυξήσουν τις πιθανότητες τα βίντεό τους να γίνουν viral. Η προτεινόμενη μέθοδος περιλαμβάνει τη δημιουργία ενός προσαρμοσμένου συνόλου δεδομένων με βάση το YouTube Trending Video Dataset, τη μετατροπή των δεδομένων που σχετίζονται με βίντεο σε αναπαραστάσεις γράφων και τη χρήση αλγορίθμων αντιπαραβολής γράφων για τη σύγκρισή τους μεταξύ τους και τον εντοπισμό των βασικών συντελεστών που οδηγούν ένα βίντεο από non-viral σε viral κατάσταση. Διεξάγονται πειράματα, αποκλειστικά σε συγκεκριμένες κατηγορίες βίντεο καθώς και σε ένα μικτό σύνολο δεδομένων. Οι επικρατέστερες διαφορές μεταξύ non-viral και viral βίντεο αναδεικνύονται μέσω στατιστικής ανάλυσης και η ποιοτική ανάλυση προτείνει αλλαγές σε non-viral παραδείγματα βίντεο και διερευνά τα δυνατά και αδύνατα σημεία του framework. Συνολικά, η παρούσα διατριβή παρέχει ένα ισχυρό πλαίσιο για την κατανόηση και την ενίσχυση του virality του περιεχομένου στο YouTube, ενσωματώνοντας θεωρητικές γνώσεις με πρακτικές εφαρμογές για να προσφέρει πολύτιμες στρατηγικές για τους δημιουργούς περιεχομένου, τις επιχειρήσεις, τους influencers κ.α. που στοχεύουν στη μεγιστοποίηση της εμβέλειας και του αντίκτυπού τους.	el
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	135 σ.	el
heal.fullTextAvailability	false