[論文レビュー] Follow Us and Become Famous! Insights and Guidelines From Instagram Engagement Mechanisms

Pier Paolo Tricomi, Marco Chilese+2 more|arXiv (Cornell University)|Jan 17, 2023

Digital Marketing and Social Media被引用数 4

ひとこと要約

本稿では、9つのカテゴリーと5つのインフルエンサー層にまたがる1,000万件のインフルエンサー投稿からなる大規模データセットを用いて、Instagram投稿のエンゲージメント（いいねとコメント）を予測する解釈可能な機械学習フレームワークを提案する。深層学習による特徴抽出と解釈可能なモデルを組み合わせることで、最大94％のF1スコアを達成し、視覚的・言語的・構造的特徴に基づいた、カテゴリーおよび層別に特化した高エンゲージメントコンテンツ作成のガイドラインを明らかにした。

ABSTRACT

With 1.3 billion users, Instagram (IG) has also become a business tool. IG influencer marketing, expected to generate $33.25 billion in 2022, encourages companies and influencers to create trending content. Various methods have been proposed for predicting a post's popularity, i.e., how much engagement (e.g., Likes) it will generate. However, these methods are limited: first, they focus on forecasting the likes, ignoring the number of comments, which became crucial in 2021. Secondly, studies often use biased or limited data. Third, researchers focused on Deep Learning models to increase predictive performance, which are difficult to interpret. As a result, end-users can only estimate engagement after a post is created, which is inefficient and expensive. A better approach is to generate a post based on what people and IG like, e.g., by following guidelines. In this work, we uncover part of the underlying mechanisms driving IG engagement. To achieve this goal, we rely on statistical analysis and interpretable models rather than Deep Learning (black-box) approaches. We conduct extensive experiments using a worldwide dataset of 10 million posts created by 34K global influencers in nine different categories. With our simple yet powerful algorithms, we can predict engagement up to 94% of F1-Score, making us comparable and even superior to Deep Learning-based method. Furthermore, we propose a novel unsupervised algorithm for finding highly engaging topics on IG. Thanks to our interpretable approaches, we conclude by outlining guidelines for creating successful posts.

研究の動機と目的

• いいね以上のInstagramエンゲージメントの背後にあるメカニズムを理解し、コメントの重要性の増大を含む動向を解明すること。
• 実世界の大規模データを用いて、ポピュラーさを予測する透明性・解釈可能性に優れたモデルを開発すること。
• いいねとコメントを促す視覚的・言語的・構造的特徴における、カテゴリー別およびインフルエンサー層別パターンを同定すること。
• ドメイン特化ラベルを必要としない非教師あり手法を提案し、Instagram上での高エンゲージメントなトピックを検出すること。
• インフルエンサーおよびマーケターが事前に高エンゲージメントコンテンツを設計できる、実行可能で証拠に基づいたガイドラインを提供すること。

提案手法

• 本研究は、9つのカテゴリーと5つのオーディエンス層にまたがる34,000人のグローバルインフルエンサーの1,000万件のInstagram投稿からなるデータセットを用いた。
• 最新の深層学習モデルを活用して投稿から視覚的・言語的特徴を抽出し、それを解釈可能な機械学習モデルの入力として用いた。
• 解釈可能なモデル（例：決定木、線形モデル）を用いた教師あり学習アプローチにより、エンゲージメント（いいねとコメント）を予測した。これにより、最大94％のF1スコアを達成した。
• 非教師ありトピックモデリング手法を提案し、テキストおよび視覚的コンテンツのパターンを分析することで、各カテゴリーおよび層におけるホットトピックを検出する。
• 統計的分析と特徴の重要度順位付けを用いて、モデル出力の解釈を行い、実行可能なガイドラインを導出する。
• データセットおよびコードを公開することで、再現性の確保と今後のベンチマークの支援を図った。

実験結果

リサーチクエスチョン

• RQ1 Instagram投稿におけるいいねとコメントを最も強く予測する視覚的・言語的・構造的特徴は何か？
• RQ2 カテゴリーおよびインフルエンサータイア（例：マイクロ対マクロインフルエンサー）によってエンゲージメントのパターンはどのように異なるか？
• RQ3 解釈可能な機械学習モデルは、深層学習と同等の性能を達成しながらも、透明性を保ったまま投稿エンゲージメントを予測できるか？
• RQ4 各カテゴリーおよびインフルエンサータイアにおける最もエンゲージメントの高いトピックは何か？また、ラベルなしでそれらを検出できるか？
• RQ5 本研究の知見を、実務に即したデータドリブンなガイドラインにどのように変換できるか？

主な発見

• モデルは、解釈可能性を保ちつつ、深層学習ベースラインと同等またはそれを上回る性能を示し、Instagram投稿のエンゲージメント予測で最大94％のF1スコアを達成した。
• いいねは主に画像品質、色、被写体タイプといった視覚的特徴によって駆動されるが、コメントは主にキャプションの内容、特に質問、行動喚起、絵文字の使用が影響を及ぼす。
• インフルエンサータイアはエンゲージメントパターンに顕著な影響を及ぼす：上位層のインフルエンサーはコンテンツ設計においてよりカテゴリー特化された行動を示す。
• 「ペット」カテゴリーで最もエンゲージメントの高い投稿は、温かみのある色合い、屋内または自然な屋外風景、特に馬、レア動物、衣装を着せたネコを含む非常にかわいらしい動物が登場する。
• 若年女性の被写体、男性の存在が少ない、キャプションに肯定的な感情が表れる旅行投稿は、特に海辺や休暇テーマを含むと、より多くのいいねとコメントを獲得する。
• 質問（例：「どの服が好き？」）、行動喚起（例：「友達をタグしよう」）、改行後にハッシュタグを付けるキャプションは、顕著にエンゲージメントが高くなる。