HotComment: A Benchmark for Evaluating Popularity of Online Comments

📄 arXiv: 2604.25614v1 📥 PDF

作者: Yafeng Wu, Yunyao Zhang, Liliang Ye, Guiyi Zeng, Junqing Yu, Chen Xu, Zikai Song

分类: cs.AI

发布日期: 2026-04-28

💡 一句话要点

提出HotComment基准，用于评估在线评论的受欢迎程度，并引入StyleCmt模型。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 在线评论 受欢迎程度评估 多模态学习 用户行为模拟 风格维度对齐

📋 核心要点

  1. 现有方法难以准确评估在线评论的受欢迎程度，因为其受到语言质量、原创性、情感共鸣以及平台风格偏好的多重影响。
  2. 论文提出HotComment基准，结合视频和文本模态，从内容质量、受欢迎程度预测和用户行为模拟三个方面量化评论的受欢迎程度。
  3. 论文进一步提出StyleCmt模型，通过对齐多个风格维度，放大社会共鸣的表达，抑制不协调的表达，从而提升受欢迎程度预测的准确性。

📝 摘要（中文）

在线评论在塑造社交媒体上的公众情绪和舆论动态方面起着关键作用。然而，评估评论的受欢迎程度仍然具有挑战性，这不仅因为它取决于语言质量、原创性和情感共鸣，还因为不同平台和用户群体的风格偏好差异很大，导致相同的评论在不同的社区产生不同的反响。本文提出了HotComment，这是一个整合视频和文本模态的多模态基准，从三个增强的方面全面量化受欢迎程度：（1）内容质量，评估与人工标注评论的语义相似性，并通过四个可解释的维度扩展质量评估；（2）受欢迎程度预测，基于在真实交互数据上训练的模型的趋势；（3）用户行为模拟，模拟平台用户的分布，并通过基于代理的框架近似 extbf{互动得分}。此外，我们受到社会涟漪效应的启发，提出了StyleCmt，其中多个风格维度对齐以放大社会共鸣的表达并抑制不协调的表达。

🔬 方法详解

问题定义：论文旨在解决在线评论受欢迎程度评估的问题。现有方法难以捕捉语言质量、原创性、情感共鸣以及平台风格偏好等复杂因素，导致评估结果不准确。不同平台和用户群体的风格偏好差异也加剧了这一问题。

核心思路：论文的核心思路是构建一个多模态基准HotComment，并提出StyleCmt模型，从内容质量、受欢迎程度预测和用户行为模拟三个方面综合评估评论的受欢迎程度。StyleCmt模型通过对齐多个风格维度，学习社会共鸣的表达方式，从而提升预测准确性。

技术框架：HotComment基准包含视频和文本两种模态的数据。评估框架包含三个主要模块：（1）内容质量评估模块，计算评论与人工标注评论的语义相似度，并从四个可解释的维度评估质量；（2）受欢迎程度预测模块，使用在真实交互数据上训练的模型预测评论的受欢迎程度；（3）用户行为模拟模块，模拟平台用户的分布，并通过基于代理的框架近似互动得分。StyleCmt模型则利用多风格维度对齐机制，学习更符合社会偏好的表达方式。

关键创新：论文的关键创新在于：（1）提出了一个多模态的在线评论受欢迎程度评估基准HotComment，弥补了现有基准的不足；（2）提出了StyleCmt模型，通过风格维度对齐，学习社会共鸣的表达方式，从而提升了受欢迎程度预测的准确性。与现有方法相比，StyleCmt模型更关注评论的风格特征，并能够根据不同的平台和用户群体进行调整。

关键设计：论文中StyleCmt模型的具体实现细节未知，包括风格维度的具体选择、对齐方式、损失函数以及网络结构等。HotComment基准的数据收集和标注过程也未详细描述。用户行为模拟模块中，基于代理的框架的具体实现方式也未知。

📊 实验亮点

论文提出了HotComment基准，并在此基础上提出了StyleCmt模型。具体的实验结果和性能数据未知，但论文强调StyleCmt模型能够通过风格维度对齐，学习社会共鸣的表达方式，从而提升受欢迎程度预测的准确性。与现有基线方法相比，StyleCmt模型在捕捉评论风格特征方面具有优势。

🎯 应用场景

该研究成果可应用于社交媒体平台的内容推荐、舆情分析、社区管理等领域。通过准确评估评论的受欢迎程度，平台可以更好地推荐优质内容，引导积极的舆论氛围，并有效管理社区秩序。未来，该研究可以扩展到其他类型的在线内容，如新闻、博客等，具有广阔的应用前景。

📄 摘要（原文）

Online comments play a crucial role in shaping public sentiment and opinion dynamics on social media. However, evaluating their popularity remains challenging, not only because it depends on linguistic quality, originality, and emotional resonance, but also because stylistic preferences vary widely across platforms and user groups, causing the same comment to resonate differently in different communities. In this work, we present HotComment, a multimodal benchmark integrating video and text modalities that comprehensively quantifies popularity from three enhanced aspects: (1) Content Quality, which evaluates semantic similarity with ground-truth human comments and extends quality assessment through four interpretable dimensions; (2) Popularity Prediction, based on trends from models trained on real-world interaction data; and (3) User Behavior Simulation, which models the distribution of platform users and approximates \textbf{engagement scores} through an agent-based framework. Furthermore, we propose StyleCmt, inspired by social ripple effects, where multiple stylistic dimensions align to amplify socially resonant expressions and suppress incongruent ones.