[논문 리뷰] Follow Us and Become Famous! Insights and Guidelines From Instagram Engagement Mechanisms

Pier Paolo Tricomi, Marco Chilese외 2명|arXiv (Cornell University)|2023. 01. 17.

Digital Marketing and Social Media인용 수 4

한 줄 요약

이 논문은 9개 카테고리와 5개 인플루언서 레벨에 걸쳐 1,000만 건의 인플루언서 포스트를 포함한 대규모 데이터셋을 사용하여 인스타그램 포스트의 참여도(좋아요 및 댓글)를 예측하기 위한 해석 가능한 기계학습 프레임워크를 제안한다. 딥러닝을 통한 특징 추출과 해석 가능한 모델을 조합함으로써, 최대 94%의 F1 스코어를 달성하며, 시각적, 텍스트적, 구조적 특징에 기반한 카테고리 및 레벨별로 고도로 참여도가 높은 콘텐츠를 만들기 위한 지침을 규명한다.

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.

연구 동기 및 목표

• 좋아요를 넘어서 댓글의 중요성이 증가하는 상황에서 인스타그램 참여도를 이끄는 근본적인 메커니즘을 이해하는 것.
• 실제 세계의 대규모 데이터를 기반으로 한 투명하고 해석 가능한 모델을 개발하여 포스트 인기도를 예측하는 것.
• 좋아요와 댓글을 이끄는 시각적, 텍스트적, 구조적 특징에서 카테고리별 및 레벨별 패턴을 식별하는 것.
• 도메인 전용 레이블이 필요 없이도 인스타그램에서 높은 참여도를 보이는 주제를 탐지하기 위한 비지도 방법을 제안하는 것.
• 인플루언서와 마케터가 사전에 고참여도 콘텐츠를 설계할 수 있도록 실천 가능한, 근거 기반의 지침을 제공하는 것.

제안 방법

• 34,000명의 글로벌 인플루언서가 올린 1,000만 건의 인스타그램 포스트 데이터셋을 사용한다.
• 최신 기술의 딥러닝 모델을 활용해 포스트의 시각적 및 텍스트적 특징을 추출하고, 이를 해석 가능한 기계학습 모델의 입력으로 사용한다.
• 의사결정 트리, 선형 모델 등의 해석 가능한 모델을 사용한 지도 학습 방식을 통해 참여도(좋아요 및 댓글)를 예측하며, 최대 94%의 높은 F1 스코어를 달성한다.
• 텍스트 및 시각적 콘텐츠 패턴을 분석함으로써 각 카테고리와 레벨에서 핫 토픽을 탐지하기 위한 비지도 주제 모델링 기법을 제안한다.
• 통계적 분석과 특징 중요도 순위를 활용해 모델 출력을 해석하고 실천 가능한 지침을 도출한다.
• 재현성과 향후 벤치마킹을 지원하기 위해 데이터셋과 코드를 공개한다.

실험 결과

연구 질문

• RQ1 인스타그램 포스트의 좋아요와 댓글을 가장 강하게 예측하는 시각적, 텍스트적, 구조적 특징는 무엇인가?
• RQ2 카테고리와 인플루언서 레벨(예: 마이크로 vs. 매크로 인플루언서) 간 참여도 패턴은 어떻게 다를까?
• RQ3 딥러닝 수준의 성능을 보이며도 해석 가능한 기계학습 모델이 포스트 참여도를 예측할 수 있는가?
• RQ4 각 카테고리와 레벨에서 가장 참여도가 높은 주제는 무엇이며, 레이블이 없는 조건에서 어떻게 탐지할 수 있는가?
• RQ5 이 연구의 통찰은 어떻게 실질적인, 데이터 기반의 콘텐츠 제작 지침으로 번역될 수 있는가?

주요 결과

• 해석 가능한 모델은 포스트 참여도 예측에서 최대 94%의 F1 스코어를 달성하며, 딥러닝 기준선과 비교해도 뛰어난 성능을 보이며 해석 가능성도 유지한다.
• 좋아요는 주로 이미지 품질, 색상, 주제 유형 등의 시각적 특징에 의해 영향을 받는 반면, 댓글은 주로 캡션의 내용, 예를 들어 질문, 행동 유도 문구, 이모티콘 사용 등에 의해 영향을 받는다.
• 인플루언서 레벨은 참여도 패턴에 큰 영향을 미치며, 높은 레벨의 인플루언서일수록 콘텐츠 설계에서 카테고리에 특화된 행동을 보인다.
• '애완동물' 카테고리에서 가장 참여도가 높은 포스트는 따뜻한 색조의 실내 또는 자연 외부 풍경을 배경으로 하며, 특히 말, 이국적인 동물, 복장이 딸린 고양이를 담고 있다.
• 젊은 여성 주제, 낮은 남성 비율, 캡션의 긍정적 정서를 포함한 여행 포스트는 특히 해변이나 휴가 테마를 담고 있을 경우 더 많은 좋아요와 댓글을 얻는다.
• 질문('어느 옷이 더 좋아요?'), 행동 유도 문구('친구를 태그하세요'), 문단 끝에 줄바꿈 후 해시태그를 삽입하는 캡션은 훨씬 더 높은 참여도를 보인다.