[論文レビュー] TweetBoost: Influence of Social Media on NFT Valuation

Arnav Kapoor, Dipanwita Guhathakurta+4 more|arXiv (Cornell University)|Jan 20, 2022

Art History and Market Analysis被引用数 9

ひとこと要約

本論文は、Twitterの活動とOpenSeaにおけるNFTの評価を結びつける新規フレームワークであるTweetBoostを紹介している。この研究では、特にユーザーのメンバーシップリスト、いいね、返信といったソーシャルメディアのエンゲージメントが、NFTの価格予測を顕著に改善することを示している。TwitterとOpenSeaの特徴を組み合わせたモデルは、69.33%の順序分類精度を達成し、NFTプラットフォームのデータのみを用いたベースラインモデルよりも6%の改善を示した。

ABSTRACT

NFT or Non-Fungible Token is a token that certifies a digital asset to be unique. A wide range of assets including, digital art, music, tweets, memes, are being sold as NFTs. NFT-related content has been widely shared on social media sites such as Twitter. We aim to understand the dominant factors that influence NFT asset valuation. Towards this objective, we create a first-of-its-kind dataset linking Twitter and OpenSea (the largest NFT marketplace) to capture social media profiles and linked NFT assets. Our dataset contains 245,159 tweets posted by 17,155 unique users, directly linking 62,997 NFT assets on OpenSea worth 19 Million USD. We have made the dataset public. We analyze the growth of NFTs, characterize the Twitter users promoting NFT assets, and gauge the impact of Twitter features on the virality of an NFT. Further, we investigate the effectiveness of different social media and NFT platform features by experimenting with multiple machine learning and deep learning models to predict an asset's value. Our results show that social media features improve the accuracy by 6% over baseline models that use only NFT platform features. Among social media features, count of user membership lists, number of likes and retweets are important features.

研究の動機と目的

• ソーシャルメディアへの露出を考慮した際のNFT資産評価に影響を与える主要因を理解すること。
• TwitterプロフィールとOpenSeaのNFT資産を結びつける、初めての公開可能なデータセットを構築すること。このデータセットには245,159件のツイートと62,997点のNFTが含まれ、合計取引額は1900万ドルである。
• いいね、返信、メンバーシップリストなどのソーシャルメディア特徴が、NFTのインフルエンスと市場価値に与える影響を調査すること。
• ソーシャルメディアとNFTプラットフォームの両方の特徴を用いた機械学習モデルの有効性を評価すること。
• 視覚的特徴（画像ベース）とソーシャルコンテキストのどちらが、NFT価格予測においてより優れた予測因子となるかを特定すること。

提案手法

• 17,155人のユニークなTwitterユーザーとOpenSeaの62,997点のNFTを結びつける、画期的なデータセットを構築。このデータセットには245,159件のツイートと1900万ドルの取引額が含まれる。
• NFT評価を二値分類および順序分類のタスクとしてモデル化し、異なる価格スケールにおける予測性能を評価した。
• モデル入力用に、ソーシャルメディア特徴（例：リスト登録数、最大いいね数、返信数）とNFTプラットフォーム特徴（例：入札キャンセル、プレセール有無、オファー提出）を抽出した。
• 複数のモデル（ロジスティック回帰、SVM、ランダムフォレスト、LightGBM、XGBoost、畳み込みニューラルネットワーク（ResNet-101、DenseNet-121））を、統合された特徴セット上で訓練・比較した。
• XGBoostを最も優れた性能を示したモデルとし、TwitterおよびOpenSeaデータからのトップ予測要因を特定するために特徴重要度分析を実施した。
• 事前学習済みのCNNを用いた画像ベースのモデルを評価し、視覚的コンテンツがソーシャルコンテキストよりも価格に与える影響が大きいかどうかを検証した。

実験結果

リサーチクエスチョン

• RQ1 いいね、返信、メンバーシップリスト登録数といったTwitterのエンゲージメント指標が、NFTの評価にどの程度影響を与えるか。
• RQ2 入札提出、プレセール有無といったOpenSeaプラットフォーム固有の特徴が、NFTの価格予測にどのように影響を与えるか。
• RQ3 ソーシャルメディア特徴とNFTプラットフォーム特徴を統合することで、単独で使用する場合に比べて、評価予測の精度が向上するか。
• RQ4 NFTの画像コンテンツに基づくディープラーニングモデルは、テキストおよび取引特徴を用いたモデルに比べて、性能がどう異なるか。
• RQ5 NFT市場価格を決定づける要因として、ソーシャルコンテキストと視覚的コンテンツのどちらが相対的に寄与しているか。

主な発見

• TwitterとOpenSeaの両方の特徴を統合したアンサンブルモデルは、69.33%の順序分類精度を達成し、OpenSea特徴のみを用いたモデル（63.22%）よりも6%の改善を示した。
• XGBoostは他のすべての分類器を上回り、最高の順序分類精度（69.33%）と最小の順序インデックス（0.3423）を達成した。
• Twitter特徴として、リスト登録数、最大いいね数、返信数が、モデル内で上位に位置する予測要因であった。
• OpenSea特徴として、'入札キャンセル'、'オファー提出'、'入札提出'、'プレセール有無'が、予測において極めて重要であった。
• ResNet-101およびDenseNet-121を用いた画像ベースのモデルは、それぞれ52.94%および54.62%の精度にとどまり、テキストおよび取引特徴を用いたモデルに比べて著しく性能が低かった。
• Twitter-OpenSeaアンサンブルモデルに画像特徴を追加しても性能向上が見られず、NFT評価においてブランドやソーシャルコンテキストの重要性が、視覚的コンテンツの重要性を上回っていることが示唆された。