[논문 리뷰] TweetBoost: Influence of Social Media on NFT Valuation

Arnav Kapoor, Dipanwita Guhathakurta외 4명|arXiv (Cornell University)|2022. 01. 20.

Art History and Market Analysis인용 수 9

한 줄 요약

이 논문은 트위터 활동을 오픈시 등록 NFT 가격에 연결하는 새로운 프레임워크인 TweetBoost를 소개한다. 사회적 미디어 참여도—특히 사용자 멤버십 목록, 좋아요, 댓글—가 NFT 가격 예측을 크게 향상시킨다는 것을 입증한다. 트위터와 오픈시 기능을 결합함으로써, 모델은 순서 분류 정확도 69.33%를 달성하였으며, NFT 플랫폼 데이터만을 사용하는 기준 모델 대비 6% 향상된 성능을 보였다.

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.

연구 동기 및 목표

• 사회적 미디어 노출 환경에서 NFT 자산 가격 결정에 영향을 미치는 주요 요인을 이해하는 것.
• 트위터 프로필과 오픈시의 NFT 자산을 연결한 첫 공개 데이터셋을 구축하는 것. 이 데이터셋에는 245,159개의 트윗과 62,997개의 NFT가 포함되어 있으며 총 거래 가치는 1900만 달러이다.
• 좋아요, 댓글, 멤버십 목록과 같은 사회적 미디어 기능이 NFT의 확산과 시장 가치에 미치는 영향을 조사하는 것.
• 사회적 미디어 및 NFT 플랫폼 기능을 모두 활용한 기계학습 모델의 성능을 평가하는 것.
• 이미지 기반 특징과 사회적 맥락 중 어느 것이 NFT 가격 예측에 더 효과적인지 파악하는 것.

제안 방법

• 트위터 사용자 17,155명과 오픈시의 NFT 62,997개를 연결한, 전례 없는 데이터셋을 구축하였으며, 이는 총 245,159개의 트윗과 1900만 달러의 거래 가치를 포함한다.
• 가격 예측 성능을 다양한 가치 척도에서 평가하기 위해 NFT 가격 결정을 이진 분류 및 순서 분류 과제로 모델링하였다.
• 모델 입력을 위해 사회적 미디어 기능(예: 멤버십 목록 수, 최대 좋아요 수, 댓글 수)과 NFT 플랫폼 기능(예: 입찰 취소 여부, 프리세일 여부, 제안 수락 여부)을 추출하였다.
• 로지스틱 회귀, 서포트 벡터 머신(SVM), 랜덤 포레스트, LightGBM, XGBoost, 컨volution 네트워크(CNN, ResNet-101, DenseNet-121) 등 다양한 모델을 복합 특징 집합에 대해 훈련하고 비교하였다.
• 최고의 성능을 보인 XGBoost 모델을 사용하였으며, 트위터 및 오픈시 데이터에서의 주요 예측 변수를 파악하기 위해 특징 중요도 분석을 실시하였다.
• 사전 학습된 CNN을 사용하여 이미지 기반 모델을 평가함으로써, 시각적 콘텐츠가 사회적 맥락보다 NFT 가격에 더 큰 영향을 미치는지 테스트하였다.

실험 결과

연구 질문

• RQ1 좋아요, 댓글, 멤버십 목록 수 등 트위터 참여 지표가 NFT 가격에 어느 정도의 영향을 미치는가?
• RQ2 입찰 기록, 프리세일 상태 등 오픈시 플랫폼 전용 기능이 NFT 가격 예측에 어떻게 영향을 미치는가?
• RQ3 사회적 미디어 기능과 NFT 플랫폼 기능을 결합하면, 각각을 별도로 사용할 경우보다 가격 예측 정확도가 향상되는가?
• RQ4 NFT 이미지 콘텐츠를 기반으로 한 딥러닝 모델의 성능은 텍스트 및 거래 기반 특징을 사용하는 모델과 비교해 어떻게 되는가?
• RQ5 NFT 시장 가격 결정에서 사회적 맥락과 시각적 콘텐츠 중 어느 것이 더 중요한 기여를 하는가?

주요 결과

• 트위터 및 오픈시 기능을 모두 사용한 앙상블 모델은 순서 분류 정확도 69.33%를 달성하였으며, 오픈시 기능만 사용한 모델(63.22%) 대비 6% 향상된 성능을 보였다.
• XGBoost는 모든 다른 분류기보다 뛰어난 성능을 보였으며, 최고의 순서 분류 정확도(69.33%)와 가장 낮은 순서 인덱스(0.3423)를 기록하였다.
• 트위터 기능 중 멤버십 목록 수, 최대 좋아요 수, 댓글 수가 모델에서 상위 예측 변수로 나타났다.
• 오픈시 기능 중 '입찰 취소', '제안 수락', '입찰 기록', '프리세일 여부' 등도 예측에 매우 중요한 요소로 나타났다.
• ResNet-101과 DenseNet-121를 사용한 이미지 기반 모델은 각각 52.94%와 54.62%의 정확도를 기록하여, 텍스트 및 거래 기반 특징을 사용하는 모델에 비해 뚜렷이 열등한 성능을 보였다.
• 트위터-오픈시 앙상블 모델에 이미지 기능을 추가해도 성능 향상이 없었으며, 이는 NFT 가격 결정에서 브랜딩과 사회적 맥락이 시각적 콘텐츠보다 더 중요한 영향을 미친다는 것을 시사한다.