Популярность видеоконтента: прогнозирование с использованием инструментов машинного обучения

Шафиров Илья Леонидович
Национальный исследовательский университет – Высшая школа экономики, г. Москва, Россия, Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Journal of Economic Regulation (Вопросы регулирования экономики), 2020, Том 11 (номер 2),

с. 98-112
DOI: 10.17835/2078-5429.2020.11.2.098-112

Видеоконтент формирует 70% интернет-трафика, кроме того, в условиях пандемии коронавируса изменяется экономическое поведение населения, увеличивается доля интернет- рекламы. Вышеизложенное актуализирует исследовательскую проблему прогнозирования популярности вновь создаваемого видеоконтента. Задачу прогнозирования популярности видеоконтента в данном исследовании предложено сформулировать как задачу бинарной классификации видео на «популярные» и «непопулярные». С учётом принципа Парето, к «популярным» предлагается относить видео, которые входят в топ – 20% видео по числу просмотров. В статье представлен обзор исследований по тематике прогнозирования популярности видеоконтента с применением методов машинного (в том числе – глубокого) обучения. Автор исследует возможность применения модификации данных методов для решения поставленной задачи, а также разрабатывает новый метод, основанный на комбинации методов ансамбля деревьев и нейронных сетей. Каждый из методов тестируется на выборке данных 11000 видео YouTube, которая собрана при помощи разработанного программного обеспечения. По результатам тестирования для прогнозирования популярности вновь созданного видеоконтента автором предложен к применению показавший лучшие результаты метод комбинации ансамблей деревьев и нейронных сетей. Качество прогнозирования популярности видеоконтента с использованием данного метода характеризуется следующими значениями метрик: 87% видеороликов корректно классифицируется как популярные/непопулярные (Accuracy); среди роликов, отнесённых к классу популярных, 63% являются популярными (Precision); 49% действительно популярных видеороликов определены корректно (Recall). Выявлены признаки, имеющие наибольшее значение для популярности вновь созданного видео: количество просмотров и дислайков видео, последнего из опубликованных на канале; количество подписчиков канала; время опубликования вновь созданного видео; заголовок вновь созданного видео; дата основания канала. В статье изложены ограничения и направления совершенствования предложенного автором метода, доказана необходимость междисциплинарных исследований в данной области на пересечении сфер интересов маркетологов, аналитиков данных, лингвистов и психологов.

скачать полный текст статьи

Ключевые слова: цифровая экономика; маркетинг; менеджмент; большие данные; видеоконтент; инструменты машинного обучения

Список литературы:

Alexa Internet, Inc. (2020). The top 500 sites on the web (https://www.alexa.com/topsites – Accessed: 15-Apr-2020).
Bielski, A., Trzcinski, T. (2018). Pay Attention to Virality: Understanding Popularity of Social Media Videos with the Attention Mechanism. 2018 IEEE/CVF Conference on Computer
Vision and Pattern Recognition Workshops (CVPRW). DOI: https://doi.org/10.1109/cvprw.2018.00309 – Accessed: 29-Apr-2020).
Buffer (2020). State of Social 2019 (https://buffer.com/state-of-social-2019 – Accessed: 11-Apr-2020).
Clement, J. (2019). Global logged-in YouTube viewers per month 2017–2019. Statista (https://www.statista.com/statistics/859829/logged-in-youtube-viewers-worldwide/ – Accessed: 9-Jan-2020).
Clement, J. (2020). Global number of internet users 2005–2019. Statista (https://www.statista.com/statistics/273018/number-of-internet-users-worldwide/ – Accessed: 12-Mar-2020).
Crane, R., Sornette, D. (2008). Viral, quality, and junk videos on YouTube: Separating content from noise in an information-rich environment. The AAAI Spring Symposium: Social Information Processing ( https://www.aaai.org/Papers/Symposia/Spring/2008/SS-08-06/SS08-06-004.pdf – Accessed: 15-Jan-2020).
Devlin, J., Chang, M.-W., Lee, K., Toutanova, K. (2019). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv ( https://arxiv.org/pdf/1810.04805.pdf – Accessed: 15-May-2020).
Enberg, J. (2020). How COVID-19 Has – And Has Not – Affected Global Ad Spending. eMarketer (https://www.emarketer.com/content/how-coronavirus-affects-global-ad-spending – Accessed: 15-Apr-2020).
Facebook for Developers (2020). API Graph (https://developers.facebook.com/docs/graphapi/ – Accessed: 16-Apr-2020).
Fontanini, G., Bertini, M., Del Bimbo, A. (2016). Web Video Popularity Prediction using Sentiment and Content Visual Features. ICMR’16: Proceedings of the 2016 ACM on International Conference on Multimedia Retrieval. DOI: http://dx.doi.org/10.1145/2911996.2912053 – Accessed: 29-Apr-2020).
Geurts, P., Ernst, D., Wehenkel, L. (2006). Extremely randomized trees. Mach Learn, 63, 3–42 (https://doi.org/10.1007/s10994-006-6226-1 – Accessed: 15-May-2020).
Guandan Chen, Qingchao Kong, Nan Xu, Wenji Mao (2019). NPP: A neural popularity prediction model for social media content. Neurocomputing, 333, 221–230. DOI: 10.1016/j.neucom.2018.12.039 (Accessed: 05-May-2020).
Influence Marketing Hub (2019). Coronavirus (COVID-19) Marketing & Ad Spend Impact: Report + Statistics (https://influencermarketinghub.com/coronavirus-marketing-adspend-report/ – Accessed: 11-May-2020).
Keyan Ding, Kede Ma, Shiqi Wang (2019). Intrinsic Image Popularity Assessment. Proceedings of ACM Conference (Conference’19). ACM, New York, NY, USA, 9 pages (https://arxiv.org/pdf/1907.01985.pdf – Accessed: 15-May-2020).
Min Gyeong Choe, Jae Hong Park, Dong Won Seo (2019). How Long Will Your Videos Remain Popular? Empirical Study of the Impact of Video Features on YouTube Trending Using Deep Learning Methodologies, pp. 190–197 / In: Jennifer J. Xu, Bin Zhu, Xiao Liu, Michael J. Shaw, Han Zhang, Ming Fan (eds.) The Ecosystem of e-Business: Technologies, Stakeholders, and Connections: 17th Workshop on e-Business, WeB 2018, Santa Clara, CA, USA, December 12, 2018, Revised Selected Papers. Springer, 199 p.
Newman, M. E. J. (2005). Power laws, Pareto distributions and Zipf’s law. Contemporary Physics, 46(5), 323–351. DOI: 10.1080/00107510500052444 (Accessed: 11-May-2020).
Pew Research Center (2020). Share of US adults using social media, including Facebook, is mostly unchanged since 2018 (https://www.pewresearch.org/fact-tank/2019/04/10/shareof-u-s-adults-using-social-media-including-facebook-is-mostly-unchanged-since-2018/ – Accessed: 09-Apr-2020).
Sherman (2019). 35 Digital Marketing Statistics That Will Convince You to Advertise Online. Lyfe Marketing (https://www.lyfemarketing.com/blog/digital-marketing-statistics/ – Accessed: 12-Jan-2020).
Statt, N. (2020). YouTube is a $15 billion-a-year business, Google reveals for the first time. The Verge (https://www.theverge.com/2020/2/3/21121207/youtube-google-alphabetearnings-revenue-first-time-reveal-q4-2019 – Accessed: 12-Apr-2020).
Tao Chen, Damian Borth, Trevor Darrell, Shih-Fu Chang (2014). DeepSentiBank: Visual Sentiment Concept Classification with Deep Convolutional Neural Networks. arXiv (https://arxiv.org/abs/1410.8586 – Accessed: 15-May-2020).
Trzciński T., Andruszkiewicz P., Bocheński T., Rokita P. (2017). Recurrent Neural
Networks for Online Video Popularity Prediction. arXiv (https://arxiv.org/pdf/1707.06807.pdf – Accessed: 29-Apr-2020).
Trzciński, T., Rokita, P. (2017). Predicting Popularity of Online Videos Using Support Vector Regression. IEEE Transactions on Multimedia, 19(11), 2561–2570. DOI: 10.1109/TMM.2017.2695439 (Accessed: 23-Jan-2020).
Tubics (2020). How Many YouTube Channels Are There? (https://www.tubics.com/blog/number-of-youtube-channels/ – Accessed: 08-Apr-2020).
Wyzowl (2019). The State of Video Marketing 2019 (https://info.wyzowl.com/state-ofvideo-marketing-2019-report – Accessed: 21-Feb-2020).
YouTube (2020). Press – YouTube (https://www.youtube.com/intl/en-GB/about/press/ – Accessed: 09-Apr-2020).

Издатель: ООО "Гуманитарные Перспективы"
Учредитель: ООО "Гуманитарные Перспективы"
Online ISSN: 2412-6047
ISSN: 2078-5429