简而言之

• 在 135 万条带发布时间的 YouTube 评论上，曝光解释了同一视频内评论点赞排序的 83.5%，内容只解释约 8%。
• 公开的评论语料有点赞数却没有时间戳，因此在其上训练的模型学到的是时机。我自己采集了一份带时间戳的语料并公开发布。
• 82% 的评论零点赞，前 1% 占据了 95% 的点赞，所以用均值看不出任何到达时间效应，而对数点赞数却显示出 5.9 倍的下降。
• 对个人的建议：在热门视频发布后的第一小时内评论。表现最好的评论是对某个瞬间的简短回扣。

我想知道能不能训练一个模型，写出人们真正会点赞的 YouTube 评论。最显然的训练信号就是点赞数，而且已有近期研究正是这么做的：在点赞数前 10% 的评论上微调，报告的互动量大约是在随机评论上训练的模型的 3 倍。

然后我看了看点赞数究竟在衡量什么。一条在视频发布后第一小时内发出的评论，被看到的人数比一周后发出的高出几个数量级，而 YouTube 的「热门评论」排序又会放大这一点，因为排名靠前带来点赞，点赞又带来排名靠前。两条完全相同的评论，仅凭到达时间就能相差三个数量级。

于是问题不再是「模型能不能写出好评论」，而变成了「点赞数里到底有没有关于评论本身的信息」。

用公开数据回答不了这个问题

两个大型公开 YouTube 评论语料 YT-30M 和 YTCommentVerse 合计约有 3200 万条评论。两者都给了 upvotes，都没有给时间戳。

没有发布时间，你就无法把评论说了什么和它何时出现分开。在这些语料上训练出的每个模型，都在拟合那份先发优势，却无从察觉。

所以我采集了一份带时间戳的语料：来自 34 个频道、633 个视频的 1,345,353 条顶层评论，包含发布时间、抓取时间、回复数、视频统计数据，以及 YouTube 自家算法给每条评论的排名。历时三天，约 14,900 个 API 配额单位。

有一个决定比其他都重要。commentThreads.list 按从新到旧返回评论，所以任何按视频设置的分页上限都会丢掉最早的评论，而那正是本研究关注的高曝光评论。每个视频都被完整枚举。体量太大、无法在当日配额内跑完的视频会提前排除，并计入清单，而不是被悄悄截断。

曝光占其中的 83.5%

预测每条评论在其所属视频内的点赞排名，这样就把视频层面的效应从训练信号里剔除了。然后逐项加入：先是曝光特征，再是长度和形态，接着是 20 万个 TF-IDF 特征，最后是 MiniLM 嵌入。按频道划分，绝不按评论划分，这样问的就是模型能否迁移到从未见过的受众。

成分	在高于随机水平的排序能力中的占比
曝光（发布时间、视频体量）	83.5%
长度与形态	8.4%
评论实际说了什么	8.2%

评论长度也可以算作内容而非曝光。按那样算，内容就升到 16.5%。无论怎么算，曝光都是 83.5%，所以这个结论不取决于你把界线划在哪里。

让我下定结论的数字是：一个 384 维的句子编码器相对词袋模型只带来 0.0015 的 AUC 提升。对词汇层面零结果的常见反驳是文本模型太弱，而一个完全不同的表示族落在了同一个位置。

绝对可预测性始终很低。最好的模型 AUC 为 0.671，随机水平是 0.5。曝光大幅胜过内容，而两者都不及其他决定哪些评论会被点赞的因素。

这份数据集里的陷阱

两幅图为同一批评论、同一纵轴。视频内的位置和绝对时长都呈现出同样的下降。

我一开始弄错了，在你动手处理数据之前应该先知道这一点。

按评论发布得多晚来分桶，取每桶的平均点赞数：

发布时的年龄	<1h	1-6h	6-24h	1-7d	1-30d	>30d
平均点赞数	19.8	21.7	19.5	19.8	25.8	20.4

一条平线。完全没有到达时间效应。我还把这当成一项结论写了出来。

现在在完全相同的分桶上取 log1p(likes) 的均值：

发布时的年龄	<1h	1-6h	6-24h	1-7d	1-30d	>30d
log1p(likes) 均值	0.764	0.387	0.230	0.181	0.163	0.129

5.9 倍的下降。这个效应一直都在。

82.1% 的评论零点赞，而前 1% 占据了全部点赞的 94.9%。在这样的分布上取组均值，得到的是关于该组离群值的统计量，而不是关于该组本身。一条爆火评论就决定了整个桶的平均值。

任何对原始点赞数取平均的语料摘要，都会在效应明显存在的地方报告出无效应。

那个认证出 3 倍的指标

先前的研究是这样给生成的评论打分的：把它嵌入，从参考语料中取出 K 个最近邻，再对它们的点赞数取平均。我原以为这可以靠相似度来钻空子：在高赞文本上训练，落到高赞文本附近，不管人类是否真会点赞都能拿高分。

我错了两次。挑出真实的高赞评论并不能复现 3 倍的比值（我得到的是 0.88 到 1.21）。生成 960 条评论、其中一半用高赞样例做少样本条件化，也复现不出来。

我发现的反而是这个统计量根本不稳定。在 K=5 时，均值之比说条件化让结果差了 3 倍，且置信区间不含 1.0。而在同样的 480 个样本上，中位数之比却说好了 2 倍。三次运行中，同一个数字先是 138，然后 0.09，然后按均值算 0.25、按中位数算 2.00。

同样的重尾分布，同样的失效模式，和我上面自己犯的错误一模一样。一个方向会随汇总方式翻转的指标，承载不了 3 倍的结论，不管某个已发表的具体数字是怎么来的。

它也几乎追踪不到它想估计的东西。相对真实点赞结果，它对评论的排序只有 Spearman 0.050。而一个只知道评论何时发布、视频有多大的模型，在同样的评论上能拿到 0.19。

如果你只想让自己的评论被看到

把同样的数字对准个人而非模型，就成了一套策略。大致按影响力大小排列：

要早。在同一视频内，最早那一成的评论平均是最晚那一成的 5.4 倍。按绝对时长看，第一小时的评论比一个月后发布的高出 5.9 倍。你能控制的其他因素都远不及此。

在热门视频上抢早。视频体量会放大其他一切。在原始数据里，NileRed 某个视频上迟了六周发布的评论，仍胜过 Computerphile 视频上第一小时的评论。在 500 万播放的视频下一条平庸评论，胜过 7 万播放视频下一条好评论。

首页才是真正的奖品。展示在首页上的评论平均有 419.5 个点赞，其余的只有 1.13。这是一道 373 倍的门槛，不是渐变曲线，而由于排序依赖早期点赞，第一小时才是买到入场券的关键。

挑频道。零点赞评论的占比从 Vox 的 52.8% 到 Davie504 的 90.7%。在你写下一个字之前，你拿到任何点赞的概率就因评论地点不同而差近一倍。

在 Shorts 上要更快。那里的早期优势是 7.6 倍，长视频是 5.3 倍。

你写什么大约只占 8%。它的形态是短。评论平均长度随点赞数上升，然后反转：在 100-999 这一档是 171 个字符，到 1000+ 降到 147。语料中的顶级评论是对某个具体瞬间的压缩式回扣，而不是展开的观察：

炼金术士最讨厌这一招

这个视频基本全是灰度的

那句硬憋出来的「支持本地小店」把我笑到了

引一个瞬间，压缩它，收笔。

有两点重要的限制。所有评论中 82% 零点赞，而即便用上我构建的全部特征，模型的排序也只有 AUC 0.671，所以其中大部分是你控制不了的方差。而且我衡量的是什么能预测点赞，不是什么导致点赞。时机效应大概是因果的，因为它就是机械的曝光。「简短回扣」则很可能只是别的东西的相关项。

诚实的总结是：取胜策略主要是后勤，而不是写作。

结论落在哪里

以点赞数为目标优化评论生成器，主要是在对着一只钟做优化。在高赞评论上训练的模型，学到的是热门视频上早期评论长什么样，而能归因于评论内容本身的部分只有约 8%。

这并不意味着评论质量无法衡量。它意味着衡量必须先对曝光做条件化，而在此之前没有任何公开数据集让你做到这一点。我接下来想做的，正是我做不到的那一块：在曝光固定的条件下让人类给评论打分，这份语料让它成为可能，但本身并不包含它。

数据集已发布在 Hugging Face，采用 CC BY 4.0 许可；代码和冻结的总体清单在 GitHub；论文里有完整的递进流程、数据划分，以及我弄错的那些部分。