[论文解读] TweetBoost: Influence of Social Media on NFT Valuation

Arnav Kapoor, Dipanwita Guhathakurta+4 more|arXiv (Cornell University)|Jan 20, 2022

Art History and Market Analysis被引用 9

一句话总结

本文提出TweetBoost，一种新颖的框架，将Twitter活动与OpenSea平台上的NFT估值关联起来，表明社交媒体互动——尤其是用户成员列表、点赞和回复——显著提升了NFT价格预测效果。通过结合Twitter与OpenSea的特征，该模型实现了69.33%的序数分类准确率，较仅使用NFT平台数据的基线模型提升了6个百分点。

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.

研究动机与目标

• 理解在社交媒体曝光背景下，影响NFT资产估值的主要因素。
• 创建首个公开可用的数据集，将Twitter用户与OpenSea平台上的NFT资产关联，包含245,159条推文和价值1900万美元的62,997个NFT。
• 研究社交媒体特征（如点赞、回复和成员列表）对NFT传播性与市场价值的影响。
• 评估机器学习模型在结合社交媒体与NFT平台特征时预测NFT价值的有效性。
• 确定图像特征与社交背景中，哪一类对NFT价值的预测更具优势。

提出的方法

• 构建了首个同类数据集，将17,155个独立Twitter用户与OpenSea平台上的62,997个NFT关联，涵盖245,159条推文及1900万美元的交易价值。
• 将NFT估值建模为二元分类与序数分类任务，以评估在不同价值尺度下的预测性能。
• 提取社交媒体特征（如成员列表数、最高点赞数、回复数）与NFT平台特征（如出价被撤回、是否为预售、出价已进入）作为模型输入。
• 在组合特征集上训练并比较多种模型——逻辑回归、SVM、随机森林、LightGBM、XGBoost及卷积神经网络（ResNet-101、DenseNet-121）。
• 采用XGBoost作为表现最佳的模型，并通过特征重要性分析识别出Twitter与OpenSea数据中的关键预测因子。
• 使用预训练的CNN模型评估图像特征，以检验视觉内容是否比社交背景对估值的影响更大。

实验结果

研究问题

• RQ1 Twitter互动指标（如点赞、回复和成员列表数量）在多大程度上影响NFT估值？
• RQ2 OpenSea平台特有的特征（如出价进入与预售状态）如何影响NFT价格预测？
• RQ3 将社交媒体特征与NFT平台特征结合，是否能提升估值预测准确率，相比单独使用任一数据集？
• RQ4 基于NFT图像内容的深度学习模型在性能上是否优于使用文本与交易特征的模型？
• RQ5 社交背景与视觉内容在决定NFT市场价值方面，其相对贡献如何？

主要发现

• 结合Twitter与OpenSea特征的集成模型实现了69.33%的序数分类准确率，较仅使用OpenSea特征的模型（63.22%）提升了6个百分点。
• XGBoost在所有分类器中表现最佳，达到最高的序数准确率（69.33%）与最低的序数指数（0.3423）。
• Twitter特征如成员列表数、最高点赞数与回复数，是模型中表现最佳的预测因子之一。
• OpenSea特征如“出价被撤回”、“出价已进入”、“出价进入”与“是否为预售”在预测中也具有高度重要性。
• 基于图像的模型（使用ResNet-101与DenseNet-121）分别仅达到52.94%与54.62%的准确率，显著低于使用文本与交易特征的模型。
• 在Twitter-OpenSea集成模型中加入图像特征并未提升性能，表明品牌效应与社交背景在NFT估值中比视觉内容更具影响力。