[论文解读] Follow Us and Become Famous! Insights and Guidelines From Instagram Engagement Mechanisms

Pier Paolo Tricomi, Marco Chilese+2 more|arXiv (Cornell University)|Jan 17, 2023

Digital Marketing and Social Media被引用 4

一句话总结

本文提出了一种可解释的机器学习框架，利用涵盖九个类别和五个影响力层级的1000万条影响力者帖子的大规模数据集，预测Instagram帖子的互动量（点赞和评论）。通过结合深度学习进行特征提取与可解释模型，该方法在F1得分上最高达到94%，并基于视觉、文本和结构特征，揭示了按类别和层级划分的高互动内容创作指南。

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.

研究动机与目标

• 理解超越点赞的Instagram互动背后的作用机制，包括评论日益增长的重要性。
• 开发一种透明、可解释的模型，利用真实世界的大规模数据预测帖子受欢迎程度。
• 识别影响点赞和评论的视觉、文本和结构特征在不同类别和影响力层级中的特定模式。
• 提出一种无监督方法，用于检测Instagram上高互动话题，而无需依赖领域特定标签。
• 为影响力者和营销人员提供可操作的、基于证据的指导，以提前设计高互动内容。

提出的方法

• 本研究使用了来自全球34,000名影响力者的1000万条Instagram帖子的数据集，涵盖九个类别和五个受众层级。
• 利用最先进的深度学习模型从帖子中提取视觉和文本特征，随后将这些特征作为可解释机器学习模型的输入。
• 采用可解释模型（如决策树、线性模型）的监督学习方法预测互动量（点赞和评论），F1得分最高达到94%。
• 提出一种无监督主题建模方法，通过分析文本和视觉内容模式，检测每个类别和层级中的热门话题。
• 使用统计分析和特征重要性排序来解释模型输出，并推导出可操作的指导原则。
• 发布数据集和代码，以支持可复现性及未来基准测试。

实验结果

研究问题

• RQ1 哪些视觉、文本和结构特征最能预测Instagram帖子的点赞和评论？
• RQ2 点赞和评论的互动模式在不同类别和影响力层级之间（如微型与大型影响力者）有何差异？
• RQ3 可解释的机器学习模型能否在性能上媲美深度学习的同时，保持透明性？
• RQ4 每个类别和层级中最吸引人的主题是什么？如何在无标签数据的情况下检测这些主题？
• RQ5 如何将本研究的洞察转化为可实际应用的、基于数据的创作指导？

主要发现

• 该模型在预测Instagram帖子互动量方面，F1得分最高达到94%，在保持可解释性的同时，性能优于或匹配深度学习基线模型。
• 点赞主要受视觉特征驱动，如图像质量、色彩和主体类型；而评论则主要受标题内容影响，包括提问、行动号召和表情符号的使用。
• 影响力者层级显著影响互动模式：高阶影响力者表现出更明显的类别特异性内容设计行为。
• 在‘宠物’类别中，最具互动性的帖子通常包含暖色调、室内或自然户外场景，且主角为高度可爱的动物，尤其是马、异国动物和穿衣服的猫。
• 以年轻女性为主角、男性存在感较低、标题情感为积极的旅行类帖子，能引发更多点赞和评论，尤其当内容涉及海滨或假期主题时。
• 包含提问（如“你更喜欢哪套穿搭？”）、行动号召（如“@一位朋友”）以及在末尾使用换行符分隔的标签，其互动性显著更高。