每一个评论生成系统都拿点赞数来训练，仿佛点赞数衡量的是评论本身。它衡量的主要是评论什么时候到达。要在YouTube上核实这一点，公开数据做不到：两个大型评论语料库YT-30M和YTCommentVerse记录了点赞数，却没有时间戳。这个语料库补上了缺失的字段，两项分析展示了它让哪些问题变得可以回答。数据集在Hugging Face上，采用CC BY 4.0许可。

摘要

公开的YouTube评论语料库带有点赞数，却没有每条评论的发布时间。这个缺失不是无关紧要的，而是决定性的：在视频发布后第一个小时发出的评论，被看到的人数比一周后发出的评论多出几个数量级，所以在没有时间戳的情况下读点赞数，就把评论说了什么和它何时到达混在了一起。用这些语料库训练的模型拟合的是先发优势，却没有任何办法看见它。这个语料库记录了缺失的部分：来自34个频道、633个完整枚举的视频的1,345,353条顶层评论，附带发布时间、抓取时间、回复数、视频统计数据，以及YouTube自身的排序给每条评论的位置。两项分析展示了时间戳带来了什么。分解决定评论点赞排序的因素后，在高于随机的排序能力中，曝光解释了83.5%，评论内容解释了8.2%（如果把评论长度算作内容而不是曝光，则为16.5%）；无论采用哪种约定，结论都成立，变的只是主要数字。一个384维的句子编码器比词袋模型只多出0.0015的AUC，所以内容效应之小并不是弱文本模型造成的假象。绝对的可预测性始终很低，最好的模型AUC只有0.671，所以曝光胜过内容，而两者都输给这里没有测量的变异。接着，我们重新实现了用于认证评论生成器的基于检索的互动量估计器，发现它在两个方面不适合这一用途：它给真实评论排序的Spearman相关只有0.050，而一个只知道发布时间和视频规模的模型能到0.19；并且在n=480时，它的主要比值会随着用均值还是中位数汇总而反转方向。

数据

1,345,353条顶层评论、633个视频、34个频道，涵盖科学、科技、游戏、评论、音乐、地缘政治和烹饪。每个视频都是完整枚举而不是抽样，因为commentThreads.list按最新优先返回，任何页数上限都会丢掉最早的评论，而那些正是高曝光的评论。作者频道ID是加盐哈希；数据集卡片明确说明这是化名而不是匿名，因为评论文本仍然公开且可搜索。

对任何复用它的人来说，有一个性质很重要：82.1%的评论点赞数为零，前1%的评论占了全部点赞的94.9%。任何对原始点赞数取平均的汇总，都会在存在巨大效应的地方报告没有效应。

引用

@misc{liou2026commentexposure,
  title  = {YouTube Comment Exposure: 1,345,353 Comments with Post Timestamps},
  author = {Liou, Brian H.},
  year   = {2026},
  note   = {https://brianhliou.com/publications/youtube-comment-exposure/}
}