本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

 在視頻成為重要媒介，vlog、視頻博主也成為一種職業(yè)的當(dāng)下，如何提高自己視頻的播放量，是廣大內(nèi)容生產(chǎn)者最頭禿的問題之一。網(wǎng)絡(luò)上當(dāng)然有許多內(nèi)容制作、熱點跟蹤、剪輯技巧的分享，但你可能不知道，機(jī)器學(xué)習(xí)也可以在其中發(fā)揮大作用。

join into data上兩位作者 Lianne 和 Justin 做了一個硬核的技術(shù)分析。他們的分析對象是 YouTube 一個新近崛起的健身博主 Sydney Cummings 。

Sydney 擁有美國國家運動醫(yī)學(xué)會(NASM)的私人教練證，同時也是一位跳高運動員。她的賬號注冊于 2016 年 5 月 17 日，累計播放量 27,031,566，目前擁有 21 萬粉絲，每天都穩(wěn)定更新，很有研究意義。請注意，以下研究都將通過 Python 實現(xiàn)。

Sydney Cummings 的標(biāo)題都有一定套路，比如最近一個標(biāo)題是《30 分鐘手臂和強(qiáng)壯臀肌鍛煉！燃燒 310 卡路里！》，通常涵蓋時間、身體部位、消耗的卡路里以及其他關(guān)于鍛煉的描述性詞匯。觀眾點擊這段視頻之前，就會知道幾個信息：

• 30 分鐘——我將在 30 分鐘內(nèi)完成整個訓(xùn)練；

• 鍛煉手臂和臀肌——我將致力于手臂和臀肌，專注于力量；

• 燃燒 310 卡路里——我會燃燒相當(dāng)多的卡路里。

掌握以上關(guān)鍵信息是預(yù)先的準(zhǔn)備，接下來還有六個步驟：觀察數(shù)據(jù)、用自然語言處理技術(shù)對視頻進(jìn)行分類、選擇特征、創(chuàng)建目標(biāo)、構(gòu)建決策樹、閱讀決策樹。接下來就和雷鋒網(wǎng)一起看看作者究竟是怎么一步一步展開研究的。

事前準(zhǔn)備：抓取數(shù)據(jù)

其實有很多不同的方法來抓取 YouTube 數(shù)據(jù)。由于這只是個一次性項目，所以作者選擇了一個只需要手工操作，不依賴額外工具的簡單方法。

以下是分步步驟：

選中所有視頻；

右鍵單擊最新的視頻并選擇“Inspect“；

將光標(biāo)懸停在每一行上，找到高亮顯示了所有視頻的最低級別的 HTML 代碼/元素級別；

例如，如果使用 Chrome 瀏覽器，它看起來就像這樣：

【 圖片來源：Sydney’s YouTube Video page所有者：Sydney 】

右鍵單擊元素并選擇“復(fù)制”，然后選擇“復(fù)制元素”；

將復(fù)制的元素粘貼到文本文件中并保存，這里使用 JupyterLab 文本文件并將其保存為 sydney.txt；

使用 Python 提取信息并清理數(shù)據(jù)。

接下來就是有趣的部分了，他們將從這個數(shù)據(jù)中集中提取特征，并研究是哪些因素影響著播放量。

步驟 1：觀察數(shù)據(jù)

將數(shù)據(jù)導(dǎo)入到 Python 中是在最后一節(jié)中完成的，以下是數(shù)據(jù)集 df_videos，一共有 837 個視頻。

df_videos 有 8 個特征來描述每個視頻細(xì)節(jié)，包括：標(biāo)題、多久前發(fā)布的、視頻長度、播放量、地址、卡路里、發(fā)布具體日期、發(fā)布至今的天數(shù)。

此外，他們注意到數(shù)據(jù)有重疊，因為博主曾經(jīng)多次上傳同一個視頻，在接下來的分析中將會忽略這部分不大的樣本。

步驟 2：用 NLP 對視頻進(jìn)行分類

在這一步中，他們根據(jù)標(biāo)題中的關(guān)鍵詞對視頻進(jìn)行分類。

分組標(biāo)準(zhǔn)是：

• 這個視頻針對的是身體哪個部位？

• 這個視頻的目的是增肌還是減肥？

• 或者還有什么其他關(guān)鍵詞？

作者使用了自然語言工具包(NLTK)，Python 中一個常用的開源 NLP 庫，來處理標(biāo)題。

生成關(guān)鍵詞列表

首先，標(biāo)記化視頻的標(biāo)題。此過程使用分隔符（如空格（" "）將標(biāo)題文本字符串拆分為不同的標(biāo)記（單詞）。這樣，計算機(jī)程序就可以更好地理解文本。

這些標(biāo)題中有 538 個不同的單詞，以下列出了使用頻率最高的標(biāo)記/單詞?？梢园l(fā)現(xiàn)，頻繁使用的就是那幾個詞，這也再次證明博主確實喜歡起標(biāo)準(zhǔn)格式的視頻標(biāo)題。

基于高頻詞列表，作者創(chuàng)建了 3 個關(guān)鍵字列表，可用于接下來環(huán)節(jié)對視頻進(jìn)行分類。

• body_keywords（正文—關(guān)鍵詞）——這標(biāo)識了視頻針對的身體部位，如“完整”身體、“腹肌”、“腿”。

• workout_type_keywords（健身—類型關(guān)鍵字）——區(qū)分鍛煉類型，如“有氧”、“伸展”、“力量”。

• 其他關(guān)鍵字——這包括常用但難以歸類的關(guān)鍵詞，如“訓(xùn)練營”、“精疲力竭”、“纖體”（toning）。

詞干關(guān)鍵詞列表

在形成這些關(guān)鍵字列表后，作者還提取了詞干。這是為了確保計算機(jī)能夠識別近義詞。例如，ABS 是 Abdominal Exercise（腹部鍛煉）的簡寫，單詞“abs”和“ab”有相同的詞干“ab”。

YouTube 標(biāo)題的標(biāo)記和詞干

除了關(guān)鍵詞，作者還需要標(biāo)記和提取標(biāo)題詞干。這些過程可為進(jìn)一步匹配關(guān)鍵字和標(biāo)題列表做準(zhǔn)備。

步驟 3：特征工程

經(jīng)過頭腦風(fēng)暴，他們選擇了兩種特征——基于關(guān)鍵詞和基于時間。

基于關(guān)鍵詞的特征

Indicator Features

由于前一步的工作，現(xiàn)在有 3 個關(guān)鍵詞列表和精簡的標(biāo)題，可以匹配它們來對視頻進(jìn)行分類。

按照 body_keywords 和 workout_type_keywords 分類，一個視頻中有許多關(guān)鍵詞。所以在匹配之前，作者還創(chuàng)建了 2 個特征：area 區(qū)域和 workout_type 健身類型。這些特征將一個視頻的所有身體部位和鍛煉類型連接成一個字符串。

例如，一個健身視頻可以同時做“腹肌”和“腿”，或者同時做“有氧”和“力量”。該視頻的特征區(qū)域為“腹肌+腿”，健身類型為“有氧+力量”。

同時，作者也識別出了相似的關(guān)鍵字，如“總共”和“完全”、“核心”和“腹肌”，將它們歸在一組。

最后，他們創(chuàng)建了三種不同類型的虛擬特征（dummy features）：

• is _ { } _區(qū)域，識別視頻是否包含特定身體部位；

• is_ { } _健身，確定健身類型；

• title_contains_{}，查看標(biāo)題是否包含其他關(guān)鍵詞。

為了清楚起見，視頻標(biāo)題“腿部力量消耗訓(xùn)練”應(yīng)該是 _leg_area = True, is_strength_workout = True， title_contains_burnout = True，而所有其他都為 False。

Frequency Features

除以上特征外，作者還創(chuàng)建了三個特征：num_body_areas， num_workout_types，和 num_other_keyword，用來計算一個視頻標(biāo)題中提到的關(guān)鍵詞的數(shù)量。

舉個例子，一個標(biāo)題是“腹肌和腿部有氧力量訓(xùn)練”的 num_body_areas 和 num_workout_types 都是 2。

這些特征有助于確定視頻中應(yīng)包含的身體部位或鍛煉類型的最佳數(shù)量。

Rate Features

最后同樣重要的是，作者創(chuàng)建了一個特征：calories_per_min（每分鐘卡路里數(shù)）看看卡路里的燃燒速度。畢竟，觀眾都想要一些明確的（可量化的）鍛煉目標(biāo)。

當(dāng)然整個過程中也難免存在一些被錯誤分類的視頻，作者也在轉(zhuǎn)向時間特征前進(jìn)行了手動修復(fù)，這里不再贅述。

基于時間序列的特征

有了上述基于關(guān)鍵詞的特征，作者已經(jīng)發(fā)現(xiàn)受歡迎視頻的類型。但這是否意味著博主應(yīng)該一直發(fā)相同類型的視頻？

為了回答這個問題，他們還創(chuàng)建了一些基于時間序列的特征：

• num_same_area，過去 30 天內(nèi)發(fā)布的針對同一區(qū)域的視頻（包括當(dāng)前視頻）數(shù)量。例如，特征= 6，說明除了當(dāng)前視頻針對上半身時，過去 30 天中還有 5 個上身健身視頻。

• num_same_workout ，該特征類似 num_same_area，只是統(tǒng)計的是健身類型。例如，特征= 3，說明除了當(dāng)前視頻 HIIT 健身，在過去 30 天內(nèi)還有 2 個 HIIT 健身視頻。

• last_same_area，距離上一個針對同一塊身體部位視頻過去的天數(shù)。例如，該特征= 10，說明針對腹肌的上一個視頻，發(fā)布在 10 天前。

• last_same_workout，同 last_same_area，只是針對健身類型。

• num_unique_areas，過去 30 天內(nèi)鍛煉了幾塊不同的身體部位。

• num _ unique _workouts，過去30天發(fā)布的不同健身類型視頻的數(shù)量。

這些特征將幫助了解觀眾是喜歡相同的還是不同類型的視頻。

需要說明的是，博主偶爾會發(fā)布與健身無關(guān)的視頻，播放數(shù)差距很大，所以作者未將這些列入分析。另外他們也過濾掉了前 30 天的視頻，因為它們?nèi)狈ψ銐虻臍v史數(shù)據(jù)。

接下來請看下面特征工程的具體過程。

多重共線性檢驗Test for Multicollinearity

什么是多重共線性檢驗，維基百科的解釋是，多重共線性(也稱共線性)是一種現(xiàn)象，其中多元回歸模型中的一個預(yù)測變量可以以相當(dāng)高的準(zhǔn)確度從其他預(yù)測變量中線性預(yù)測。多重共線性不會降低模型整體的預(yù)測能力或可靠性，至少在樣本數(shù)據(jù)集中是如此；它只影響單個預(yù)測因子的計算。

為什么這很重要？

假設(shè)博主只在周一發(fā)布力量訓(xùn)練，而且她的視頻在周一的播放量總是更高。那么分析播放量時，應(yīng)該歸因它們發(fā)布在周一，還是因為它們是力量訓(xùn)練呢？為了獲得真實的答案，作者必須確保特征之間沒有強(qiáng)共線性。

成對相關(guān)( pairwise correlations)是常用的方法，但當(dāng)出現(xiàn)多個特征(多于一對)時，可能會同時存在共線性。

因此，作者使用了一種更復(fù)雜的方法——k折交叉驗證（ K-fold cross-validation）來達(dá)到目的。

詳細(xì)過程如下:

• 根據(jù)判斷，選擇一組關(guān)鍵特征來測試共線性。

作者選擇了對于YouTube視頻播放量至關(guān)重要的特征，同時還添加了三個由隨機(jī)數(shù)組成的特征：rand0,rand1, rand2。當(dāng)比較特征之間的關(guān)系時，它們充當(dāng)anchor。如果一個特征與這些隨機(jī)特征相比不太重要或不太相似時，那么它就不是目標(biāo)特征的重要自變量。

• 為k折交叉驗證準(zhǔn)備這些特征。

在此過程中，他們轉(zhuǎn)換分類特征（categorical features）：area和workout_type。這種轉(zhuǎn)換確保每個類別級別至少有K個值。

• 使用其中一個特征作為目標(biāo)，其余特征作為自變量，來訓(xùn)練預(yù)測模型。

接下來，作者遍歷每個特征，并使用其他特征擬合一個模型來預(yù)測它，他們用了一個簡單的梯度提升模型（Gradient Boosting Model ，GBM)和K折驗證，并且根據(jù)目標(biāo)特征是數(shù)字的還是分類的，應(yīng)用不同的模型和分?jǐn)?shù)(模型預(yù)測能力評估指標(biāo))。

當(dāng)目標(biāo)特征是數(shù)字時，作者使用Gradient Boosting Regressor模型和均方根誤差(RMSE)；當(dāng)目標(biāo)特征是分類特征時，則使用Gradient Boosting Classifier 模型和Accuracy(精度)。

對于每個目標(biāo)，他們打印出K折驗證分?jǐn)?shù)(平均分)和最重要的5個自變量。

• 研究得分和每個目標(biāo)特征的重要自變量。

作者試圖研究每個目標(biāo)特征及其與自變量的關(guān)系。當(dāng)然本文不會列舉整個過程，將舉兩個例子。

作者發(fā)現(xiàn)length（視頻長度）和 calories特征是相關(guān)的。這個發(fā)現(xiàn)很直觀，因為健身的時間越長，消耗的卡路里就越多。

這種關(guān)系不難理解。

length和 calories之間存在正相關(guān)，但這種強(qiáng)度還不足以將它們直接歸到一塊。因為40-45分鐘的視頻消耗的熱量與30-35分鐘、50-55分鐘，甚至與60多分鐘的視頻，都有重疊部分。因此，兩個特征都保留。

此外，作者發(fā)現(xiàn)num_same_area和area_full，兩個特征也是相關(guān)的，這個發(fā)現(xiàn)有點令人驚訝，接下來開始解密。

下圖顯示了num_same_area和area之間的關(guān)系。

num_same_area特征，統(tǒng)計的是在過去30天內(nèi)發(fā)布的針對于同一部位視頻(包括當(dāng)前視頻)的數(shù)量。area_ful代表全身鍛煉，這是Sydney視頻中最常見的類型。因此，當(dāng)num_same_area很大時，那么這些視頻就是針對全身的鍛煉。

假設(shè)我們發(fā)現(xiàn)更高的 num_same_area(>=10) 確實會導(dǎo)致更高的YouTube瀏覽量，但我們無法知道這是因為area_full 還是因為 num_same_area。因此，作者放棄了 num_same_area特征，也因為相同的邏輯放棄相num_same_workouts特征。

步驟 4：創(chuàng)建目標(biāo)

你可能還記得，這個研究的目標(biāo)是增加YouTube的播放量。是不是說明，我們可以直接拿播放量作為目標(biāo)呢？

但請注意！播放量呈偏態(tài)分布。播放量中值是27，641次，而最高的視頻達(dá)到130萬。這種不平衡會給模型的解釋性帶來問題。

因此，作者創(chuàng)建了特征views_quartile，以它作為目標(biāo)。

他們將視頻分為兩類——高播放視頻(“high”)和低播放視頻(“low”)。“high”占總播放量的75%，也就是播放數(shù)35578及以上的視頻，剩下的都?xì)w到“low”。

通過這種方式，作者使用預(yù)測模型來找到播放量最高的25%的視頻的特征組合。

步驟 5：構(gòu)建決策樹

準(zhǔn)備好了一切工作，我們根據(jù)目標(biāo)views_quartile建立一個決策樹模型啦！

為了避免過度擬合，作者將一個葉子節(jié)點的最小樣本設(shè)置為10。為了讓我們更容易理解，作者將樹的最大深度設(shè)置為8層。

步驟 6：閱讀決策樹

在最后一步中，作者將研究并總結(jié)導(dǎo)致高或者低播放量的“分支”。他們到底發(fā)現(xiàn)了什么呢？

發(fā)現(xiàn) 1：calories_per_min是最重要的特征

沒錯，calories_per_min是最重要的特征。人們似乎不太關(guān)心健身類型或身體部位。

每分鐘消耗的卡路里≥ 12.025屬于高消耗，60%（51/(34+51) ）的視頻都有較高的觀看率。

每分鐘燃燒的卡路里少于(≤ 9.846)的視頻則遠(yuǎn)沒有受歡迎，只有 7.2%（12/(154+12) =）有較高的播放。

而每分鐘消耗卡路里在9.846到12.025之間的視頻，其他因素也會產(chǎn)生較大作用。

發(fā)現(xiàn) 2：不同部位、多種方式鍛煉并不能提高播放量

這個發(fā)現(xiàn)超乎作者想象，難道不是各種各樣的鍛煉更好嗎？

當(dāng)過去一個月，身體不同部位的鍛煉數(shù)量(num_unique_area)很高，≥ 10時，視頻的觀看傾向低。即使每分鐘燃燒的卡路里很高，這種情況依然成立。

結(jié)合前兩個觀點，78%（42/(12+42) ）的視頻在以下情況下獲得了更多的播放：

• 每分鐘燃燒的熱量很高(≥ 12.025)

• 過去一個月中身體不同部位的鍛煉數(shù)量較少 (

發(fā)現(xiàn) 3：臀部健身很受歡迎

當(dāng)一段視頻消耗的卡路里較少(calories_per_min ≤ 9.846)時，但只要是臀部鍛煉，33%（5/(10+5) ）仍能獲得高播放；不然，只有4.6%（7/(144+7) ）視頻擁有較高播放。

建議：如何提高播放

綜上，作者給Sydney提出了三條建議：

建議 1：燃燒卡路里

正如我們所見，每分鐘消耗的卡路里是最重要的特征，12.025是個魔法數(shù)字。

下表是不同時長的視頻應(yīng)該燃燒多少卡路里的節(jié)點：

• 30分鐘健身：361卡路里

• 40分鐘健身：481卡路里

• 50分鐘健身：601卡路里

• 60分鐘健身：722卡路里

作者還提出了一個猜想：數(shù)字(時長和卡路里)對人的刺激只是心理上，大家可能就是喜歡看到卡路里的前兩位數(shù)比時長大得多，這說明可以用更短的時間，消耗更多的卡路里。

建議 2：少用不同的身體部位關(guān)鍵詞

Sometimes less is more.

人們不喜歡健身標(biāo)題中有太多不同的身體部位。根據(jù)模型，在一個月內(nèi)針對少于10個身體部位的組合更好。

作者注意到Sydney在她最近的視頻中使用了更少的身體部位關(guān)鍵詞。最明顯的一點是，她一直在使用“手臂”或“上身”，而不是像“二頭肌”或“背部”這樣的詞。

建議 3：多多發(fā)布臀部健身

Sydney的訂閱者可能更多是女士，她們傾向于“臀部”塑性，而不是增加手臂肌肉。人們愿意犧牲燃燒更少的卡路里來獲得更健美的臀部。也許Sydney應(yīng)該一直為燃燒更少卡路里的視頻加入一些臀部運動。

建議 4：未經(jīng)驗證的想法

比如說在月初發(fā)起新的活動。 月初發(fā)布的視頻更有可能獲得更高的瀏覽量。也許人們喜歡設(shè)定新的目標(biāo)來開始新的一個月。第二，避免在5天內(nèi)發(fā)布相同類型的鍛煉。

最后作者也表示，這個研究也有一些限制：

• 這些建議是基于過去的表現(xiàn)。而 YouTubers經(jīng)常會打破過去套路，嘗試新想法。鑒于此，我們可以將機(jī)器學(xué)習(xí)應(yīng)用到他們的競爭對手身上。

• 只集中分析了標(biāo)題，還有一些其他信息，比如訂閱者人數(shù)、性別、區(qū)域的統(tǒng)計，其中可能蘊藏著更多的特征、更準(zhǔn)確的發(fā)現(xiàn)和解釋。