[论文解读] Collaborations on YouTube: From Unsupervised Detection to the Impact on Video and Channel Popularity

Christian Koch, Moritz Lode+3 more|arXiv (Cornell University)|May 1, 2018

Hate Speech and Cyberbullying Detection参考文献 11被引用 3

一句话总结

本文提出 CATANA，一种基于深度学习的无监督框架，通过在用户生成的视频内容中使用人脸识别与聚类，检测 YouTuber 之间的合作行为。该研究分析了为期三个月的 7,942 个频道的数据集，发现合作显著提升了视频播放量和订阅者增长——与非合作内容相比，播放量和订阅者增长通常超过 100%，尤其对低级别和中级别创作者（10k–1M 订阅者）更为显著。

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.

研究动机与目标

• 解决现有研究中对用户生成内容创作者之间 YouTube 合作行为缺乏定量分析的问题。
• 开发一种无监督框架，无需事先知晓合作的 YouTuber，即可检测合作行为。
• 分析合作对视频和频道受欢迎程度的影响，尤其关注不同受欢迎程度等级和内容类别的差异。
• 评估多频道网络（MCNs）在塑造合作模式中的作用。
• 为 YouTuber 和 MCNs 提供数据驱动的指导，以制定有效合作策略，最大化可见度和收入。

提出的方法

• CATANA 使用深度神经网络（DNN）从 YouTube 视频帧中进行人脸检测和嵌入提取。
• 采用聚类技术将检测到的人脸分组为独立的 YouTuber 身份，即使参与者数量未知亦可实现。
• 通过分析人脸共现模式和跨视频的时间一致性，识别频道主和嘉宾。
• 当两名或以上 YouTuber 同时出现在同一视频中时，推断为合作行为，并通过异常值过滤排除偶然露面的情况。
• 该框架基于为期三个月的 7,942 个 YouTube 频道数据集构建合作图谱，支持大规模分析。
• 整合视频元数据、受欢迎度指标（播放量、订阅者数）以及频道分类信息，用于对比分析。

实验结果

研究问题

• RQ1 YouTuber 之间的合作频率如何？他们在选择合作对象时表现出怎样的选择性？
• RQ2 多频道网络（MCNs）如何影响其附属 YouTuber 的合作模式？
• RQ3 哪些类型的 YouTube 频道（按内容类别和受欢迎程度等级）最有可能参与合作？
• RQ4 与非合作内容相比，合作对视频播放量和频道订阅者增长有何影响？
• RQ5 合作频道的受欢迎程度等级如何影响播放量和订阅者增长的幅度？

主要发现

• 在 7,942 个频道中，有 1,599 个（占 20.1%）参与了合作，平均每个频道参与 2.8 次合作。
• 与非合作视频相比，合作显著提升了视频播放量的平均受欢迎度增长 19% 至 51%，置信水平为 99%。
• 低级别和中级别 YouTuber（10k–1M 订阅者，类别 1 和 2）获得了最显著的收益，播放量和新订阅者增长最高可达 100% 以上。
• 同一内容类别内的创作者合作（尤其是娱乐类和人物博客类）对观众吸引力和订阅者获取产生了最强的正面影响。
• MCN 所属的 YouTuber 更倾向于与同网络内的其他成员合作，表明合作策略受网络结构驱动。
• 对于高人气频道（类别 4，>100 万订阅者），合作对增长的影响微乎其微，表明在规模扩大后收益递减。