[論文レビュー] Who Watches (and Shares) What on YouTube? And When? Using Twitter to Understand YouTube Viewership

Adiya Abisheva, Venkata Rama Kiran Garimella+2 more|arXiv (Cornell University)|Dec 16, 2013

Complex Network Analysis Techniques参考文献 26被引用数 13

ひとこと要約

本研究では、TwitterとYouTubeのデータを統合して、どのユーザーが、いつ、どのYouTube動画を共有しているかを分析する。その結果、フォロワー数よりも、特に2次的露出とリツイート率といった初期のTwitter共有行動が、動画の人気をよりよく予測することが判明した。非プロモーション目的のユーザーの初期活動は、最終的な再生回数の分散の約20％を説明している。

ABSTRACT

We combine user-centric Twitter data with video-centric YouTube data to analyze who watches and shares what on YouTube. Combination of two data sets, with 87k Twitter users, 5.6mln YouTube videos and 15mln video sharing events, allows rich analysis going beyond what could be obtained with either of the two data sets individually. For Twitter, we generate user features relating to activity, interests and demographics. For YouTube, we obtain video features for topic, popularity and polarization. These two feature sets are combined through sharing events for YouTube URLs on Twitter. This combination is done both in a user-, a video- and a sharing-event-centric manner. For the user-centric analysis, we show how Twitter user features correlate both with YouTube features and with sharing-related features. As two examples, we show urban users are quicker to share than rural users and for some notions of "influence" influential users on Twitter share videos with a higher number of views. For the video-centric analysis, we find a superlinear relation between initial Twitter shares and the final amounts of views, showing the correlated behavior of Twitter. On user impact, we find the total amount of followers of users that shared the video in the first week does not affect its final popularity. However, aggregated user retweet rates serve as a better predictor for YouTube video popularity. For the sharing-centric analysis, we reveal existence of correlated behavior concerning the time between video creation and sharing within certain timescales, showing the time onset for a coherent response, and the time limit after which collective responses are extremely unlikely. We show that response times depend on video category, revealing that Twitter sharing of a video is highly dependent on its content. To the best of our knowledge this is the first large-scale study combining YouTube and Twitter data.

研究の動機と目的

• Twitterの共有行動を通じて、YouTube視聴の人口統計的特徴と行動パターンを理解すること。
• Twitter上でのユーザー特徴（例：所在地、政治的立場、関心）が、YouTube動画の消費と共有にどのように関連しているかを調査すること。
• YouTubeデータを一切使用しないで、初期のTwitter参加指標を用いてYouTube動画の人気をモデル化・予測すること。
• 共有の時間的パターン、特に反応速度と集団的反応の時間窓を特定すること。
• プロモーション目的と非プロモーション目的のTwitterユーザーを区別し、それらが動画の拡散に果たす役割の違いを評価すること。

提案手法

• 公開済みのTwitterデータ（87,000人のユーザーから1,700万件のツイート）とYouTube動画データ（560万件の動画、1,500万件の共有イベント）を統合し、クロスプラットフォームのデータセットを構築した。
• ヒューリスティックを用いて、Twitterのプロフィールとフォローしているアカウントから、ユーザーの人口統計的特徴（性別、所在地、政治的立場、関心）を推定した。
• 回帰モデルを構築した：log(V) = α + β₁·Sᵥ^γ + β₂·Eᵥ^δ + β₃·Iᵥ^κ + β₄·ℰᵥ^λ + β₅·Aᵥ^μ、ここでVは最終的な動画再生回数であり、予測変数には一次的露出、参加度、影響力、二次的露出、およびリツイート率が含まれる。
• 10分割交差検証を用いて、最初の週間のTwitter活動に基づき、動画を「人気（10,000回再生以上）」か否かに分類する分類タスクを実施し、回帰モデルを予測子として使用した。
• クラスタリングと相関分析を実施し、ユーザー層や動画カテゴリごとのトピック嗜好と共有行動の違いを比較した。
• 自身のチャンネルから動画を共有するユーザーをプロモーション目的のユーザーと定義し、共有速度と行動パターンの比較に用いた。

実験結果

リサーチクエスチョン

• RQ1 Twitterユーザーの人口統計的・行動的特徴（例：所在地、政治的立場）は、YouTube動画の共有と視聴にどのように関連しているか？
• RQ2 初期のTwitter共有行動とYouTube動画の最終的人気の間にはどのような関係があるか？
• RQ3 異なる動画カテゴリーやユーザータイプにおいて、動画作成後の反応時間はどのように異なるか？
• RQ4 フォロワー数、リツイート率、二次的露出といったTwitter指標が、YouTube動画の人気にどの程度予測できるか？
• RQ5 プロモーション目的と非プロモーション目的のTwitterアカウントは、動画共有行動とタイミングにおいてどのように異なるか？

主な発見

• 非プロモーション目的のユーザーにおいて、Twitterの二次的露出とリツイート率は、フォロワー数よりもはるかに強い予測指標であり、R² = 0.199を示した。
• 都市部に住むユーザーは農村部のユーザーよりもYouTube動画を著しく速く共有しており、反応速度に地理的差が存在することが示された。
• 初期のTwitter共有数と最終的なYouTube再生回数の間に、スーパーライニアな関係が存在し、初期の勢いが長期的人気に影響を与えることが示された。
• Twitterデータのみを用いたモデルは、10,000回以上の再生回数に達する動画を、71.5％の精度と53.4％の再現率で予測でき、ランダムベースライン（49.2％の精度）を著しく上回った。
• 政治的に右寄りのユーザーは左寄りのユーザーよりも政治的中心から離れていることが判明し、ニュース・政治カテゴリは共有行動と最も強い相関を示した。
• ニュース・政治カテゴリの動画は集団的反応が最も速く、反応時間はコンテンツカテゴリによって顕著に異なるため、コンテンツ依存の拡散ダイナミクスが存在することが示された。