热门评论还是冷门评论？在线新闻讨论中用户参与度的预测与解释

在线新闻文章下方的评论区越来越受到读者的欢迎。然而，评论数量庞大，使得普通新闻消费者无法阅读所有评论，并阻碍了有深度的讨论。大多数平台按时间顺序显示评论，这忽略了有些评论对用户更相关且更能引发对话。在本文中，我们系统地分析了用户参与度，即评论获得的点赞和回复。基于评论文本，我们训练了一个模型来区分那些获得大量点赞和回复的可能性高或低的评论。我们在来自TheGuardian.com的用户评论上进行了评估，比较了循环神经网络、卷积神经网络模型以及传统的基于特征的分类器。此外，我们研究了是什么让某些评论比其他评论更具吸引力。为此，我们识别了参与度触发因素，并将其分类。神经网络的解释方法揭示了哪些输入词对模型的预测影响最大。此外，我们在一个产品评论数据集上进行了评估，该数据集具有与用户评论相似的性质，例如对有用性进行点赞。