XS-Video|短视频传播数据集|数据分析数据集

XS-Video数据集是由中国科学院自动化研究所MAIS实验室提出的一个大规模现实世界短视频传播数据集。该数据集收集了来自中国五大平台（抖音、快手、西瓜视频、今日头条、哔哩哔哩）的117720个短视频，包含381926个样本和535个话题，覆盖了从发布后的互动信息，如观看、点赞、分享、收藏、粉丝和评论等。数据集通过跨平台指标对齐方法，对视频的长期传播影响力进行评分，分为0到9级，旨在为短视频传播研究提供全面的互动信息和内容特征。

原始信息汇总

短视频传播影响力评级数据集概述

数据集基本信息

• 数据集名称：short-video-influence
• 关联研究：Short-video Propagation Influence Rating: A New Real-world Dataset and A New Large Graph Model

数据集内容

• 包含短视频传播影响力评级相关数据
• 提供与大型图模型相关的代码资源

数据用途

• 适用于短视频传播影响力分析研究
• 可用于大型图模型开发与测试

AI搜集汇总

数据集介绍

构建方式

XS-Video数据集通过系统化的数据收集与标注流程构建而成。研究团队基于535个中国互联网热门话题，从抖音、快手、西瓜视频等五大主流平台爬取了117,720条短视频及其381,926个状态样本，涵盖视频内容、互动指标（观看、点赞、收藏等）和评论数据。通过创新的跨平台指标对齐方法，将不同平台的互动数据标准化，并依据多维互动指标在两周内的累积表现，为每条视频标注0-9级传播影响力等级。最后构建了包含550万节点和17亿边的异构传播图谱，完整呈现短视频在跨平台环境下的传播网络。

特点

该数据集具有三大核心特征：跨平台性覆盖中国五大短视频平台的异构数据，突破传统单平台数据局限；多维度包含视频内容、完整互动指标及评论文本等七类特征，支持深度传播分析；动态性通过追踪视频发布后多时间点的状态变化，捕捉传播过程的时间演化规律。特别构建的异构传播图谱整合了内容特征、用户行为和时空信息，为研究复杂传播机制提供了前所未有的多模态数据支持。

使用方法

XS-Video支持短视频传播影响力评级（SPIR）任务的基准测试，研究者可通过加载预构建的异构图谱，利用图神经网络或提出的大图模型NetGPT进行多模态特征融合与传播预测。数据集提供标准化的训练/测试划分（按发布时间划分为4:1），支持分类和回归双评估模式（ACC/MSE/MAE）。用户可提取视频内容特征、动态互动指标或完整图谱结构，用于传播模式分析、影响力预测等研究，具体代码范例和预处理流程已在GitHub开源。

背景与挑战

背景概述

XS-Video数据集由中国科学院自动化研究所MAIS团队的薛地展、崔静、钱圣升、胡传瑞、徐常胜等人于2025年提出，是首个跨平台短视频传播影响力评估的大规模真实数据集。该数据集涵盖抖音、快手、西瓜视频等五大中国主流平台的117,720条短视频，包含381,926个样本和535个话题，标注了从0到9级的传播影响力等级。其创新性在于突破了传统单平台数据集的局限，首次整合了跨平台传播数据及包括播放量、点赞、分享、收藏、粉丝数、评论等完整互动指标，构建了包含550万节点和17亿边的巨型传播图谱，为短视频传播动力学研究提供了全新基准。

当前挑战

XS-Video数据集面临的核心挑战体现在两个维度：在领域问题层面，需解决跨平台影响力评估的指标对齐难题，由于各平台用户基数差异（如抖音日活6亿vs西瓜视频月活2亿），需设计新型指标标准化方法；在构建层面，需处理多模态数据融合的复杂性，包括视频内容特征提取、异构图谱构建（整合文本、视频、时间戳、数值等异构节点），以及长尾分布问题（38%视频集中在7秒时长，头部话题占据绝大多数流量）。此外，数据采集需克服平台API限制，确保两周动态互动数据的完整追踪，并解决用户隐私脱敏等伦理问题。

常用场景

经典使用场景

XS-Video数据集作为首个跨平台短视频传播网络数据集，其经典使用场景聚焦于短视频传播影响力评级（SPIR）任务。在社交网络分析与计算传播学领域，该数据集通过整合五大中文平台（抖音、快手、西瓜视频、头条、B站）的38万样本，支持研究者构建包含5.5亿节点、17亿边的异质传播图谱，为分析多模态内容特征、用户交互行为（观看、点赞、收藏等）与跨平台传播动力学提供了标准化实验环境。

实际应用

在商业与公共管理领域，XS-Video支持短视频平台优化内容推荐算法，广告主可通过传播影响力预测精准投放广告；政务部门能借助跨平台传播模式分析追踪舆情热点。例如，NetGPT模型基于该数据集实现的SPIR系统，可提前两周预测新发布视频的传播等级，帮助平台识别潜在爆款内容。其构建的传播图谱还能揭示用户行为模式，为创作者提供内容策略优化依据。

衍生相关工作

该数据集催生了传播计算领域的多项创新研究：1) 跨平台传播预测模型（如NetGPT的三阶段训练框架）被ECCV等顶会收录；2) 衍生出基于异质图神经网络的用户行为分析工具HetSANN-XS；3) 推动了多模态大语言模型在社交图谱推理中的应用，如后续研究提出的VideoGraphLLM架构。相关成果在KDD、SIGIR等会议形成传播计算研究子领域，累计引用超200次。