[論文レビュー] Machine Learning Techniques for Brand-Influencer Matchmaking on the Instagram Social Network

Taylor Sweet, Austin Rothwell+1 more|arXiv (Cornell University)|Jan 17, 2019

Digital Marketing and Social Media参考文献 5被引用数 6

ひとこと要約

本論文では、プロフィール画像のコンテンツベース分析を活用し、事前学習済みのInception-v3ニューラルネットワークによる特徴抽出と、k-近傍法を用いたBag of Wordsベクトル表現による類似度マッチメイキングを組み合わせた機械学習システムを提案する。主な貢献は、視覚的コンテンツの類似度に基づいてブランドとインフルエンサーをマッチングする画期的な「画像最優先」アルゴリズムの開発であり、Mountain Hardwear や Domino’s Pizza のようなブランドに対して関連インフルエンサーを効果的に特定できることを示している。

ABSTRACT

The social media revolution has changed the way that brands interact with consumers. Instead of spending their advertising budget on interstate billboards, more and more companies are choosing to partner with so-called Internet "influencers" --- individuals who have gained a loyal following on online platforms for the high quality of the content they post. Unfortunately, it's not always easy for small brands to find the right influencer: someone who aligns with their corporate image and has not yet grown in popularity to the point of unaffordability. In this paper we sought to develop a system for brand-influencer matchmaking, harnessing the power and flexibility of modern machine learning techniques. The result is an algorithm that can predict the most fruitful brand-influencer partnerships based on the similarity of the content they post.

研究の動機と目的

• 急成長するソーシャルメディアマーケティングの文脈において、小規模ブランドが適切で手頃な価格のインフルエンサーを特定する課題に取り組むこと。
• ハッシュタグやユーザー名といったメタデータではなく、視覚的コンテンツの類似度に基づいてブランドとインフルエンサーをマッチングするシステムを開発すること。
• ディープラーニングとベクトル類似度を活用したスケーラブルでコンテンツ中心のツールを構築し、有望なブランド・インフルエンサー提携を予測すること。
• Instagramプロフィールに対して自動的・データドリブンにインフルエンサーを発見できる、画期的なコンテンツ分析パイプラインを提供すること。

提案手法

• 多様なユーザー口座からのプロフィール画像に焦点を当て、Instagramユーザーのデータをスクレイピングした。
• 各画像からの視覚的特徴抽出のため、事前学習済みのTensorFlow Inception-v3ニューラルネットワークを適用した。
• 視覚的記述子のクラスタリングを用いて、画像特徴ベクトルを「Bag of Words」表現に変換した。
• ベクトル化されたコンテンツに基づき、ブランドプロフィールとインフルエンサーのプロフィール間の類似度をk-近傍法（k-NN）で計算した。
• ターゲットブランドプロフィールとの類似度に基づいてインフルエンサーをランク付けし、優先順位付きの潜在的提携候補リストを生成した。
• 5つの広範なユーザー分類を含む合成データセットと、Mountain Hardwear や Domino’s Pizza といった実際のブランド例を用いて、手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングとベクトルベースの類似度測定を用いて、ブランドとインフルエンサーのプロフィール間の視覚的コンテンツ類似度を効果的にモデル化できるか？
• RQ2 メタデータ中心の手法と比較して、コンテンツベースの画像分析アプローチは、関連インフルエンサーの特定においてどれほど優れているか？
• RQ3 k-NNベースのシステムは、ブランドの視覚的アイデンティティに適合するインフルエンサーをどの程度正確にランク付けできるか？
• RQ4 同じ市場セグメント（例：ピザチェーン）内での複数のブランドに、アルゴリズムが一般化可能か？
• RQ5 追加のメタデータやカスタマイズ可能なコンテンツ基準を組み込むことで、システムにどのような改善が見込めるか？

主な発見

• ブランドのアウトドアおよびアパレルコンテンツと類似するコンテンツを持つインフルエンサーとして、'Mountain Hardwear' が視覚的類似度に基づき最も適した候補として特定された。
• ギオルダーノズ・ピザとドミノズ・ピザという2つの類似するピザブランドに対して、アルゴリズムはブランド固有の異なるインフルエンサー順位を生成し、コンテンツの違いに敏感であることを示した。
• 5つの広範なユーザー分類を含む制御環境下では、関連インフルエンサーの特定において高い正確性を達成したが、Instagram全ユーザーへの一般化は検証されていない。
• Inception-v3を用いた画像特徴抽出は有効であったが、今後の改善にはより高精細な視覚分析モデルの活用が有望である。
• フォロワー数、いいね数、投稿頻度といったメタデータを組み込むことで、特定のフォロワー数やエンゲージメントレベルを求めるブランドのターゲティング精度が向上する可能性がある。
• 本システムにより、ブランド自身のプロフィールコンテンツを超えて、望ましいインフルエンサーのテーマを定義できる。例えば、ブランドのプロフィールがピザに特化している場合でも、食事中心のクリエイターとマッチングできる。