[論文レビュー] Collaborations on YouTube: From Unsupervised Detection to the Impact on Video and Channel Popularity

Christian Koch, Moritz Lode+3 more|arXiv (Cornell University)|May 1, 2018

Hate Speech and Cyberbullying Detection参考文献 11被引用数 3

ひとこと要約

本論文は、ユーザー生成動画コンテンツにおける顔認識とクラスタリングを用いて、YouTuber同士の協働を教師なしで検出する深層学習ベースのフレームワークCATANAを提案する。7,942チャンネルの3か月分のデータを分析した結果、協働は動画の再生回数と登録者数の増加を顕著に促進し、非協働コンテンツと比較してしばしば100%以上の増加を示すことが判明した。特に10,000～100万登録者クラスの中堅クリエイターにおいて顕著な効果が見られた。

ABSTRACT

YouTube is one of the most popular platforms for streaming of user-generated video. Nowadays, professional YouTubers are organized in so called multi-channel networks (MCNs). These networks offer services such as brand deals, equipment, and strategic advice in exchange for a share of the YouTubers' revenue. A major strategy to gain more subscribers and, hence, revenue is collaborating with other YouTubers. Yet, collaborations on YouTube have not been studied in a detailed quantitative manner. This paper aims to close this gap with the following contributions. First, we collect a YouTube dataset covering video statistics over three months for 7,942 channels. Second, we design a framework for collaboration detection given a previously unknown number of persons featuring in YouTube videos. We denote this framework for the analysis of collaborations in YouTube videos using a Deep Neural Network (DNN) based approach as CATANA. Third, we analyze about 2.4 years of video content and use CATANA to answer research questions providing guidance for YouTubers and MCNs for efficient collaboration strategies. Thereby, we focus on (i) collaboration frequency and partner selectivity, (ii) the influence of MCNs on channel collaborations, (iii) collaborating channel types, and (iv) the impact of collaborations on video and channel popularity. Our results show that collaborations are in many cases significantly beneficial in terms of viewers and newly attracted subscribers for both collaborating channels, showing often more than 100% popularity growth compared with non-collaboration videos.

研究の動機と目的

• ユーザー生成コンテンツのクリエイター間におけるYouTube協働の定量的分析が不足しているという問題に取り組むこと。
• 協働するYouTuberの事前知識がなくても、教師なしのフレームワークを構築すること。
• 協働が動画およびチャンネルの人気度に与える影響を、特に異なる人気クラスやコンテンツジャンルごとに分析すること。
• マルチチャンネルネットワーク（MCN）が協働パターンをどのように形作っているかを評価すること。
• 視聴者数と収益の最大化を目的とした、YouTuberおよびMCN向けのデータドリブンな協働戦略の指針を提供すること。

提案手法

• CATANAは、YouTube動画のフレームから顔検出および埋め込み抽出のための深層ニューラルネットワーク（DNN）を用いる。
• 参加者数が事前に不明な状態でも、顔の検出結果をクラスタリングすることで、個別のYouTuberのアイデンティティを特定する。
• 顔の共起パターンと動画内での時間的整合性を分析することで、チャンネル所有者とゲストを識別する。
• 2人以上のYouTuberが同じ動画に同時に登場する場合に協働を推定し、偶然の登場を除外するための外れ値フィルタリングを実施する。
• 7,942のYouTubeチャンネルを対象とした3か月分のデータセット上で協働グラフを構築し、大規模な分析を可能にする。
• 比較分析のため、動画メタデータ、人気指標（再生回数、登録者数）、チャンネルの分類情報を統合する。

実験結果

リサーチクエスチョン

• RQ1 YouTuberはどれくらいの頻度で協働しており、協働相手選定においてどれほどの選択的傾向が見られるか？
• RQ2 マルチチャンネルネットワーク（MCN）は、関連するYouTuber間の協働パターンにどのように影響を及ぼしているか？
• RQ3 どのようなタイプのYouTubeチャンネル（コンテンツジャンルおよび人気クラス別）が協働しやすいか？
• RQ4 協働コンテンツと非協働コンテンツを比較した場合、再生回数およびチャンネル登録者数の増加に与える影響は何か？
• RQ5 協働に参加するチャンネルの人気クラスは、再生回数および登録者数の増加幅にどのように影響を及けるか？

主な発見

• 7,942のチャンネルのうち、1,599（20.1%）が協働に参加しており、1チャンネルあたり平均2.8回の協働が確認された。
• 協働は非協働動画と比較して、99%の信頼水準で動画再生回数に平均19%～51%の増加をもたらした。
• 10,000～100万登録者クラス（クラス1および2）の中堅クリエイターは、再生回数および新規登録者数で最大100%以上の増加を達成した。
• 同じコンテンツジャンル（特にエンターテインメントおよびパーソナル＆ブログ）のクリエイター同士の協働が、視聴者数および登録者獲得に最も強い正の影響を示した。
• MCNに所属するYouTuberは、同じネットワーク内での協働がより多く見られ、ネットワーク主導の協働戦略が顕著に現れた。
• 高人気チャンネル（クラス4、100万以上登録者）では、協働による増加効果がほとんどまたは全く認められず、規模が大きくなると効果が薄れる傾向が示された。