如何用約43000張圖片的數(shù)據(jù)集，來計算得出表情包的火爆程度排名

電視節(jié)目的火爆程度可以根據(jù)尼爾森收視率排名（Neilsen ratings）來衡量，但是表情包呢？目前仍然沒有什么獨立指標能用以評估表情包（memes）的瀏覽人數(shù)，所以筆者自己摸索出了一些方法！

本文將說明如何用約43000張圖片的數(shù)據(jù)集和五項數(shù)據(jù)科學(xué)原則，來計算得出表情包的火爆程度排名。

1. 明確定義估算對象

對文字信息的理解因人而異。筆者不知見識過多少次這樣的場景：二人在對話中就項目的目標達成了一致，之后卻發(fā)現(xiàn)彼此對關(guān)鍵詞的理解大相徑庭。因此，如果在項目開始時徹底厘清每個詞的定義，就能省下不少時間。

例如，假設(shè)你要估算“2019年的英國人口數(shù)量”。這是指2019年初、年末還是年中的人口數(shù)量？還是三者的平均值？這里的“人口”是指常住居民，還是包括游客和臨時居民在內(nèi)的所有人？

回到表情包的話題上。首先聲明，筆者要討論的并非表情包的學(xué)術(shù)定義，而是網(wǎng)絡(luò)表情包（結(jié)合了網(wǎng)上流行的圖像和文字）。更具體地說，筆者感興趣的是找出最流行的表情包模板（表情包的背景圖像）。因此筆者所謂的“最火表情包”其實指的是：瀏覽人次最多的表情包模板（通過累加所有使用該模板的網(wǎng)絡(luò)表情包的瀏覽量來計算得出）。

明確了這一點之后，就要開始收集數(shù)據(jù)。

2.以最小化偏差的方式采樣數(shù)據(jù)

尼爾森排名系統(tǒng)不可能監(jiān)測每臺電視機，同樣，筆者也無法全部下載網(wǎng)絡(luò)上的每個表情包。因此，這兩種情況都必須要經(jīng)過采樣。

如果一個數(shù)據(jù)樣本真正代表了更廣泛的群體，那么我們稱其為無偏見數(shù)據(jù)。但在很多情況下，這是不可能的。通常，我們必須以盡可能合理的方式最小化偏差，然后在分析數(shù)據(jù)時盡最大努力修正偏差。

本項目中的表情包采集自Reddit，它是世界上最大的圖片分享網(wǎng)站之一。使用一個爬蟲工具在一天中多次查看該網(wǎng)站與表情包有關(guān)的幾個部分，并且抓取前100張最受歡迎的圖片。

其中的許多表情包都托管在Imgur上，該網(wǎng)站公開了表情包瀏覽數(shù)據(jù)。因此交叉引用這些數(shù)據(jù)可以讓我們推斷出Reddit上圖片的瀏覽量。通過Reddit和Imgur的應(yīng)用程序接口（API），只需寥寥幾行python代碼就可完成該采樣。

接下來的問題是：這一采樣方法真的能夠最小化偏差嗎？Reddit只是網(wǎng)站中的一個個例，所以并不能真正代表整個互聯(lián)網(wǎng)。我們可以對其他網(wǎng)站（如instagram或Facebook）上的表情包進行采樣，以減少偏差。

然而，這些網(wǎng)站公開的數(shù)據(jù)有限，無法進行比對。比對這些網(wǎng)站數(shù)據(jù)的唯一的方法是做出大膽的假設(shè)，但此舉可能會為最終估計值引入更多的偏差。

沒有十全十美的答案。有時，我們只能接受這一點。筆者認為應(yīng)當從一個最優(yōu)的數(shù)據(jù)來源進行采樣，而不是將多個數(shù)據(jù)來源合并起來得到一個不可靠的數(shù)據(jù)集。筆者之所以稱Reddit是最好的來源，是因為它是最大的圖像共享網(wǎng)站，從中（通過交叉引用Imgur的數(shù)據(jù)）可以推斷出精度合適的瀏覽量。

3. 復(fù)雜模型只適用于復(fù)雜問題

我們需要確定數(shù)據(jù)集中每個表情包所使用的圖像模板。這是一個圖像分類問題，并且屬于一個簡單的圖像分類問題。如果簡單的方法就足以見效，那么就沒必要選擇復(fù)雜的解決方案。

近來最先進的圖像分類器，比如那些在Image-Net比賽中名列前茅的分類器，都是能夠不受角度、光線或背景的影響而正確識別物體的深度神經(jīng)網(wǎng)絡(luò)。觀察一個表情包并識別其圖像模板則容易得多，因此需要的東西遠非100層神經(jīng)網(wǎng)絡(luò)那么復(fù)雜。

表情包圖像模板的數(shù)量有限，并且都具有獨特的顏色模式。我們僅需要計算像素并將結(jié)果傳遞給線性支持向量機，就能精確地分類表情包。訓(xùn)練支持向量機僅需幾秒，而神經(jīng)網(wǎng)絡(luò)則需要數(shù)天。

4. 審核（有條件時引入人工）

很多時候，躊躇滿志的年輕數(shù)據(jù)科學(xué)家跑來找到筆者，自豪地公布一個偉大的發(fā)現(xiàn)，卻在被問及如何審核結(jié)果時面露怯色。通過基本的審核發(fā)現(xiàn)重大紕漏后，所謂的偉大發(fā)現(xiàn)往往將黯然退場。

在審核圖形分類模型的結(jié)果時，人眼是無可替代的（至少目前如此）。你或許認為，驗證圖形分類器在這個數(shù)據(jù)集（約有43000張圖像）上的結(jié)果需要很長時間，但有許多工具能加速這一過程。

借助標注工具，筆者平均使用20秒就能夠?qū)徍?00張圖像（在10x10的格子中瀏覽），因此，全部審核完43000張圖像只花費了不到3小時。這樣的事情日常做大概吃不消，但一年一次還可以忍受。

5. 仔細考慮每個假設(shè)

統(tǒng)計模型有賴于數(shù)據(jù)和假設(shè)。通常情況下，原始數(shù)據(jù)無法優(yōu)化，但假設(shè)可以改進。工作的最后一步是獲取數(shù)據(jù)集，并提取出每個表情包模板的瀏覽數(shù)據(jù)。由于數(shù)據(jù)具有局限性，這一分析需要一些額外的假設(shè)。

第一個假設(shè)涉及到缺失值。如果數(shù)據(jù)集中的某個條目出現(xiàn)了缺失值，那么最好是移除該條目（因而將減小樣本）呢，還是推測該缺失值是什么（因而或?qū)⒁胝`差）呢？

這取決于數(shù)據(jù)集中缺失值的比例。如果比例較低，通常最好直接丟棄缺失值。而如果比例較高（該表情包數(shù)據(jù)集就是如此），那么丟棄所有缺失值可能會大大降低樣本的代表性。因此，筆者認為盡可能準確地填充這些缺失值是更好的做法。

第二個假設(shè)涉及修正我們的數(shù)據(jù)集對Reddit用戶的傾向性。筆者用下面的“傳播”假設(shè)來解決這一問題。筆者從Reddit的幾十個不同板塊進行了采樣，以此來測量每個表情包模板在多少個板塊中出現(xiàn)過。筆者假設(shè)，一個表情包在Reddit內(nèi)部傳播得越廣，說明它在Reddit之外的傳播范圍也越廣。為了反映這一點，筆者擴增了這些表情包的瀏覽次數(shù)。

對于假設(shè)來說，標準答案是不存在的。我們唯一的選擇就是做出能讓人信服的抉擇。

計算結(jié)果：最受歡迎的表情包模板（2018年）

該算法在2018年全年都在運行，共下載了40萬張圖片，并識別出其中的43660張使用了250個最常見的表情包模板之一。

如你所見，歌星Drake的表情圖以極大優(yōu)勢奪得了2018年的流行之冠，共有1億5700萬次瀏覽量（該分析結(jié)果很有可能小于實際數(shù)據(jù)）。

此外，頂層模板的總瀏覽量分布近似于帕累托分布（Pareto distribution）。

世界上有許多難以精確測算的事物，表情包的流行程度就是其中之一。有時我們只能盡量追求最優(yōu)解。筆者討論了在這一工作中使用的5項原則，一言以蔽之，即：在著手開始之前，仔細考慮項目的每個步驟。
責編AJX