每一個留言生成系統都拿按讚數來訓練，彷彿按讚數衡量的是留言本身。它衡量的主要是留言什麼時候出現。要在YouTube上驗證這一點，公開資料做不到：兩個大型留言語料庫YT-30M和YTCommentVerse記錄了按讚數，卻沒有時間戳記。這個語料庫補上缺少的欄位，兩項分析展示了它讓哪些問題變得可以回答。資料集在Hugging Face上，採用CC BY 4.0授權。

摘要

公開的YouTube留言語料庫帶有按讚數，卻沒有每則留言的發布時間。這個缺漏不是無關緊要，而是決定性的：影片發布後第一個小時出現的留言，被看到的人數比一週後出現的留言多出好幾個數量級，所以在沒有時間戳記的情況下讀按讚數，就把留言說了什麼和它何時出現混在一起。用這些語料庫訓練的模型擬合的是先發優勢，卻沒有任何辦法看見它。這個語料庫記錄了缺少的部分：來自34個頻道、633部完整枚舉的影片的1,345,353則頂層留言，附帶發布時間、擷取時間、回覆數、影片統計資料，以及YouTube自身的排序給每則留言的位置。兩項分析展示了時間戳記帶來什麼。分解決定留言按讚排序的因素後，在高於隨機的排序能力中，曝光解釋了83.5%，留言內容解釋了8.2%（若把留言長度算作內容而非曝光，則為16.5%）；不論採用哪種約定，結論都成立，變的只有主要數字。一個384維的句子編碼器比詞袋模型只多出0.0015的AUC，所以內容效應之小並不是弱文字模型造成的假象。絕對的可預測性始終很低，最好的模型AUC只有0.671，所以曝光勝過內容，而兩者都輸給這裡沒有測量的變異。接著，我們重新實作了用來認證留言生成器的檢索式互動量估計器，發現它在兩方面不適合這個用途：它為真實留言排序的Spearman相關只有0.050，而一個只知道發布時間和影片規模的模型能到0.19；而且在n=480時，它的主要比值會隨著用平均數還是中位數彙總而反轉方向。

資料

1,345,353則頂層留言、633部影片、34個頻道，涵蓋科學、科技、遊戲、評論、音樂、地緣政治和烹飪。每部影片都是完整枚舉而不是抽樣，因為commentThreads.list以最新優先回傳，任何頁數上限都會漏掉最早的留言，而那些正是高曝光的留言。作者頻道ID是加鹽雜湊；資料集卡片明確說明這是化名而非匿名，因為留言文字仍然公開且可搜尋。

對任何再利用它的人來說，有一個性質很重要：82.1%的留言按讚數為零，前1%的留言占了全部按讚的94.9%。任何對原始按讚數取平均的彙總，都會在存在巨大效應的地方回報沒有效應。

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/}
}