本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)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(wèn)題之一。網(wǎng)絡(luò)上當(dāng)然有許多內(nèi)容制作、熱點(diǎn)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(gè)硬核的技術(shù)分析。他們的分析對(duì)象是 YouTube 一個(gè)新近崛起的健身博主 Sydney Cummings 。

Sydney 擁有美國(guó)國(guó)家運(yùn)動(dòng)醫(yī)學(xué)會(huì)(NASM)的私人教練證，同時(shí)也是一位跳高運(yùn)動(dòng)員。她的賬號(hào)注冊(cè)于 2016 年 5 月 17 日，累計(jì)播放量 27,031,566，目前擁有 21 萬(wàn)粉絲，每天都穩(wěn)定更新，很有研究意義。請(qǐng)注意，以下研究都將通過(guò) Python 實(shí)現(xiàn)。

Sydney Cummings 的標(biāo)題都有一定套路，比如最近一個(gè)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(shí)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(diǎn)擊這段視頻之前，就會(huì)知道幾個(gè)信息：

• 30 分鐘——我將在 30 分鐘內(nèi)完成整個(gè)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(huì)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(lái)還有六個(gè)步驟：觀察數(shù)據(jù)、用自然語(yǔ)言處理技術(shù)對(duì)視頻進(jìn)行分類、選擇特征、創(chuàng)建目標(biāo)、構(gòu)建決策樹(shù)、閱讀決策樹(shù)。接下來(lái)就和雷鋒網(wǎng)一起看看作者究竟是怎么一步一步展開(kāi)研究的。

事前準(zhǔn)備：抓取數(shù)據(jù)

其實(shí)有很多不同的方法來(lái)抓取 YouTube 數(shù)據(jù)。由于這只是個(gè)一次性項(xiàng)目，所以作者選擇了一個(gè)只需要手工操作，不依賴額外工具的簡(jiǎn)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(jí)別的 HTML 代碼/元素級(jí)別；

例如，如果使用 Chrome 瀏覽器，它看起來(lái)就像這樣：

【 圖片來(lái)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(lái)就是有趣的部分了，他們將從這個(gè)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(gè)視頻。

df_videos 有 8 個(gè)特征來(lái)描述每個(gè)視頻細(xì)節(jié)，包括：標(biāo)題、多久前發(fā)布的、視頻長(zhǎng)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?yàn)椴┲髟?jīng)多次上傳同一個(gè)視頻，在接下來(lái)的分析中將會(huì)忽略這部分不大的樣本。

步驟 2：用 NLP 對(duì)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(duì)視頻進(jìn)行分類。

分組標(biāo)準(zhǔn)是：

• 這個(gè)視頻針對(duì)的是身體哪個(gè)部位？

• 這個(gè)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(yǔ)言工具包(NLTK)，Python 中一個(gè)常用的開(kāi)源 NLP 庫(kù)，來(lái)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(guò)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(jì)算機(jī)程序就可以更好地理解文本。

這些標(biāo)題中有 538 個(gè)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(gè)詞，這也再次證明博主確實(shí)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(gè)關(guān)鍵字列表，可用于接下來(lái)環(huán)節(jié)對(duì)視頻進(jìn)行分類。

• body_keywords（正文—關(guān)鍵詞）——這標(biāo)識(shí)了視頻針對(duì)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(yíng)”、“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(jì)算機(jī)能夠識(shí)別近義詞。例如，ABS 是 Abdominal Exercise（腹部鍛煉）的簡(jiǎn)寫(xiě)，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(guò)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(guò)頭腦風(fēng)暴，他們選擇了兩種特征——基于關(guān)鍵詞和基于時(shí)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(gè)關(guān)鍵詞列表和精簡(jiǎn)的標(biāo)題，可以匹配它們來(lái)對(duì)視頻進(jìn)行分類。

按照 body_keywords 和 workout_type_keywords 分類，一個(gè)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(gè)特征：area 區(qū)域和 workout_type 健身類型。這些特征將一個(gè)視頻的所有身體部位和鍛煉類型連接成一個(gè)字符串。

例如，一個(gè)健身視頻可以同時(shí)做“腹肌”和“腿”，或者同時(shí)做“有氧”和“力量”。該視頻的特征區(qū)域?yàn)?ldquo;腹肌+腿”，健身類型為“有氧+力量”。

同時(shí)，作者也識(shí)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(shí)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(jiàn)，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(gè)特征：num_body_areas， num_workout_types，和 num_other_keyword，用來(lái)計(jì)算一個(gè)視頻標(biāo)題中提到的關(guān)鍵詞的數(shù)量。

舉個(gè)例子，一個(gè)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(gè)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(gè)過(guò)程中也難免存在一些被錯(cuò)誤分類的視頻，作者也在轉(zhuǎn)向時(shí)間特征前進(jìn)行了手動(dòng)修復(fù)，這里不再贅述。

基于時(shí)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(gè)問(wèn)題，他們還創(chuàng)建了一些基于時(shí)間序列的特征：

• num_same_area，過(guò)去 30 天內(nèi)發(fā)布的針對(duì)同一區(qū)域的視頻（包括當(dāng)前視頻）數(shù)量。例如，特征= 6，說(shuō)明除了當(dāng)前視頻針對(duì)上半身時(shí)，過(guò)去 30 天中還有 5 個(gè)上身健身視頻。

• num_same_workout ，該特征類似 num_same_area，只是統(tǒng)計(jì)的是健身類型。例如，特征= 3，說(shuō)明除了當(dāng)前視頻 HIIT 健身，在過(guò)去 30 天內(nèi)還有 2 個(gè) HIIT 健身視頻。

• last_same_area，距離上一個(gè)針對(duì)同一塊身體部位視頻過(guò)去的天數(shù)。例如，該特征= 10，說(shuō)明針對(duì)腹肌的上一個(gè)視頻，發(fā)布在 10 天前。

• last_same_workout，同 last_same_area，只是針對(duì)健身類型。

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

• num _ unique _workouts，過(guò)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(shuō)明的是，博主偶爾會(huì)發(fā)布與健身無(wú)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(guò)濾掉了前 30 天的視頻，因?yàn)樗鼈內(nèi)狈ψ銐虻臍v史數(shù)據(jù)。

接下來(lái)請(qǐng)看下面特征工程的具體過(guò)程。

多重共線性檢驗(yàn)Test for Multicollinearity

什么是多重共線性檢驗(yàn)，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(gè)預(yù)測(cè)變量可以以相當(dāng)高的準(zhǔn)確度從其他預(yù)測(cè)變量中線性預(yù)測(cè)。多重共線性不會(huì)降低模型整體的預(yù)測(cè)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(gè)預(yù)測(cè)因子的計(jì)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(shí)，應(yīng)該歸因它們發(fā)布在周一，還是因?yàn)樗鼈兪橇α坑?xùn)練呢？為了獲得真實(shí)的答案，作者必須確保特征之間沒(méi)有強(qiáng)共線性。

成對(duì)相關(guān)( pairwise correlations)是常用的方法，但當(dāng)出現(xiàn)多個(gè)特征(多于一對(duì))時(shí)，可能會(huì)同時(shí)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(yàn)證（ K-fold cross-validation）來(lái)達(dá)到目的。

詳細(xì)過(guò)程如下:

• 根據(jù)判斷，選擇一組關(guān)鍵特征來(lái)測(cè)試共線性。

作者選擇了對(duì)于YouTube視頻播放量至關(guān)重要的特征，同時(shí)還添加了三個(gè)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(shí)，它們充當(dāng)anchor。如果一個(gè)特征與這些隨機(jī)特征相比不太重要或不太相似時(shí)，那么它就不是目標(biāo)特征的重要自變量。

• 為k折交叉驗(yàn)證準(zhǔn)備這些特征。

在此過(guò)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(gè)類別級(jí)別至少有K個(gè)值。

• 使用其中一個(gè)特征作為目標(biāo)，其余特征作為自變量，來(lái)訓(xùn)練預(yù)測(cè)模型。

接下來(lái)，作者遍歷每個(gè)特征，并使用其他特征擬合一個(gè)模型來(lái)預(yù)測(cè)它，他們用了一個(gè)簡(jiǎn)單的梯度提升模型（Gradient Boosting Model ，GBM)和K折驗(yàn)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(cè)能力評(píng)估指標(biāo))。

當(dāng)目標(biāo)特征是數(shù)字時(shí)，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(shí)，則使用Gradient Boosting Classifier 模型和Accuracy(精度)。

對(duì)于每個(gè)目標(biāo)，他們打印出K折驗(yàn)證分?jǐn)?shù)(平均分)和最重要的5個(gè)自變量。

• 研究得分和每個(gè)目標(biāo)特征的重要自變量。

作者試圖研究每個(gè)目標(biāo)特征及其與自變量的關(guān)系。當(dāng)然本文不會(huì)列舉整個(gè)過(guò)程，將舉兩個(gè)例子。

作者發(fā)現(xiàn)length（視頻長(zhǎng)度）和 calories特征是相關(guān)的。這個(gè)發(fā)現(xiàn)很直觀，因?yàn)榻∩淼臅r(shí)間越長(zhǎng)，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?yàn)?0-45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(gè)特征都保留。

此外，作者發(fā)現(xiàn)num_same_area和area_full，兩個(gè)特征也是相關(guān)的，這個(gè)發(fā)現(xiàn)有點(diǎn)令人驚訝，接下來(lái)開(kāi)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(jì)的是在過(guò)去30天內(nèi)發(fā)布的針對(duì)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(jiàn)的類型。因此，當(dāng)num_same_area很大時(shí)，那么這些視頻就是針對(duì)全身的鍛煉。

假設(shè)我們發(fā)現(xiàn)更高的 num_same_area(>=10) 確實(shí)會(huì)導(dǎo)致更高的YouTube瀏覽量，但我們無(wú)法知道這是因?yàn)閍rea_full 還是因?yàn)?num_same_area。因此，作者放棄了 num_same_area特征，也因?yàn)橄嗤倪壿嫹艞壪鄋um_same_workouts特征。

步驟 4：創(chuàng)建目標(biāo)

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

但請(qǐng)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(wàn)。這種不平衡會(huì)給模型的解釋性帶來(lái)問(wèn)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(guò)這種方式，作者使用預(yù)測(cè)模型來(lái)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(shù)

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

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

步驟 6：閱讀決策樹(shù)

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(méi)錯(cuò)，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(méi)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(huì)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(gè)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(guò)去一個(gè)月，身體不同部位的鍛煉數(shù)量(num_unique_area)很高，≥ 10時(shí)，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(gè)觀點(diǎn)，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(guò)去一個(gè)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(shí)，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(jiàn)，每分鐘消耗的卡路里是最重要的特征，12.025是個(gè)魔法數(shù)字。

下表是不同時(shí)長(zhǎng)的視頻應(yīng)該燃燒多少卡路里的節(jié)點(diǎn)：

• 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(gè)猜想：數(shù)字(時(shí)長(zhǎng)和卡路里)對(duì)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(shí)長(zhǎng)大得多，這說(shuō)明可以用更短的時(shí)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(gè)月內(nèi)針對(duì)少于10個(gè)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(diǎn)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?cè)敢鉅奚紵俚目防飦?lái)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(yùn)動(dòng)。

建議 4：未經(jīng)驗(yàn)證的想法

比如說(shuō)在月初發(fā)起新的活動(dòng)。 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(lái)開(kāi)始新的一個(gè)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(gè)研究也有一些限制：

• 這些建議是基于過(guò)去的表現(xiàn)。而 YouTubers經(jīng)常會(huì)打破過(guò)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(jìng)爭(zhēng)對(duì)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(jì)，其中可能蘊(yùn)藏著更多的特征、更準(zhǔn)確的發(fā)現(xiàn)和解釋。