[논문 리뷰] Collaborations on YouTube: From Unsupervised Detection to the Impact on Video and Channel Popularity

Christian Koch, Moritz Lode외 3명|arXiv (Cornell University)|2018. 05. 01.

Hate Speech and Cyberbullying Detection참고 문헌 11인용 수 3

한 줄 요약

이 논문은 유저 생성 콘텐츠에서 얼굴 인식 및 클러스터링을 활용한 비지도 학습 기반 프레임워크인 CATANA를 제안한다. 이 프레임워크는 유튜버 간 협업을 탐지하기 위해 설계되었으며, 3개월 간의 7,942개 채널 데이터셋을 분석한 결과, 협업은 영상 시청 수와 구독자 증가에 크게 기여함을 확인했다. 비협업 콘텐츠 대비 평균 100퍼센트 이상의 성장률을 기록했으며, 특히 1만~100만 명의 구독자를 보유한 저·중위권 창작자들에게서 두드러진 효과를 보였다.

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.

연구 동기 및 목표

• 유저 생성 콘텐츠 창작자 간 유튜브 협업에 대한 정량적 분석의 부족을 해결하기 위해.
• 협업 유튜버의 사전 지식 없이도 비지도 학습 기반의 협업 탐지 프레임워크를 개발하기 위해.
• 협업이 영상 및 채널 인기 지수에 미치는 영향을 분석하며, 특히 다양한 인기 등급과 콘텐츠 유형 간의 영향을 다루기 위해.
• 다중 채널 네트워크(MCN)가 협업 패턴 형성에 미치는 역할을 평가하기 위해.
• 시청자 노출과 수익 증대를 극대화하기 위해 유튜버와 MCN에게 데이터 기반 지침을 제공하기 위해.

제안 방법

• CATANA는 유튜브 영상 프레임에서 얼굴 검출 및 임베딩 추출을 위해 심층 신경망(DNN)을 사용한다.
• 참여자 수가 사전에 알려지지 않은 상황에서도, 서로 다른 유튜버 신원으로 얼굴을 클러스터링하는 기법을 적용한다.
• 영상 간 시간적 일관성과 얼굴 동시 출현 패턴을 분석하여 채널 소유자와 게스트를 식별한다.
• 두 명 이상의 유튜버가 동일한 영상에 동시에 등장할 경우 협업으로 간주하며, 우연적 출현을 제거하기 위해 이질치 제거 기법을 적용한다.
• 7,942개 유튜브 채널의 3개월 데이터셋을 기반으로 협업 그래프를 구축하여 대규모 분석을 가능하게 한다.
• 비교 분석을 위해 영상 메타데이터, 인기 지표(시청 수, 구독자 수), 채널 분류 정보를 통합한다.

실험 결과

연구 질문

• RQ1 유튜버들은 얼마나 자주 협업을 하며, 협업 선택 시 파트너 선별에 대해 얼마나 엄격한가?
• RQ2 다중 채널 네트워크(MCN)는 소속된 유튜버 간 협업 패턴에 어떤 영향을 미치는가?
• RQ3 콘텐츠 유형과 인기 등급에 따라 협업을 가장 자주 하는 유튜브 채널은 어떤 유형인가?
• RQ4 비협업 콘텐츠 대비 협업이 영상 시청 수와 채널 구독자 증가에 어떤 영향을 미치는가?
• RQ5 협업에 참여한 채널의 인기 등급이 영상 시청 수 및 구독자 수 증가 폭에 어떤 영향을 미치는가?

주요 결과

• 7,942개 채널 중 1,599개(20.1퍼센트)가 협업에 참여했으며, 평균 각 채널당 2.8회의 협업을 기록했다.
• 협업 영상의 경우 비협업 영상 대비 평균 19퍼센트에서 51퍼센트의 인기 지수 상승을 기록했으며, 99퍼센트 신뢰수준에서 유의미했다.
• 저·중위권 유튜버(1만~100만 명의 구독자, 클래스 1 및 2)는 가장 큰 혜택을 보였으며, 영상 시청 수와 신규 구독자 수에서 최대 100퍼센트 이상의 증가를 기록했다.
• 유사 콘텐츠 유형(특히 엔터테인먼트 및 인생 블로그) 간 협업은 시청자 수 및 구독자 확보에 가장 강력한 긍정적 영향을 미쳤다.
• MCN에 소속된 유튜버들은 같은 네트워크 내에서 협업을 더 자주 하며, 네트워크 기반 협업 전략이 작동하는 것으로 나타났다.
• 고인기 채널(클래스 4, 100만 명 이상의 구독자)의 경우 협업이 성장에 거의 또는 전혀 영향을 미치지 않아 스케일이 증가함에 따라 수익 증가 효과가 감소하는 경향을 보였다.