--- type: paper slug: li-yan-2019-video-diffusion-bilibili title: >- Video Diffusion in User-generated Content Website: An empirical analysis of Bilibili authors: - '[[li-yan]]' - '[[namjun-cha]]' - '[[hosoo-cho]]' - '[[junseokhwang]]' year: 2019 venue: '[[icact]]' doi: 10.23919/ICACT.2019.8701897 categories: - '[[platform-themes]]' methods: - '[[fixed-effects-model]]' - '[[panel-data-analysis]]' - '[[web-crawling]]' themes: - '[[user-generated-content]]' - '[[information-diffusion]]' - '[[video-platform]]' last_updated: '2026-05-20T02:06:34+09:00' --- # Video Diffusion in User-generated Content Website: An empirical analysis of Bilibili *[[li-yan]], [[namjun-cha]], [[hosoo-cho]], [[junseokhwang]] (2019)* · [[icact]] · [DOI ↗](https://doi.org/10.23919/ICACT.2019.8701897) > 중국 UGC 비디오 플랫폼 Bilibili 에서 30 일간 web crawling 으로 수집한 4,230 비디오 / 3,472 uploader / 128,900 관측치를 S-curve 의 3 단계 (initial 0-4 일, increase 5-24 일, end 25-29 일) 로 분할 후 [[fixed-effects-model]] panel regression. Active participation (forum + Danmaku comment), simple participation (favorite + coins), externality (follower + sharing) 6 attribute 의 view count 효과 분리. Initial 에선 follower (β=0.178***) 와 favorite (β=0.656***) 가 핵심, increase·end 에선 6 attribute 모두 양 유의. *Danmaku* (실시간 화면 위 흐름 코멘트) 가 모든 단계에서 양 유의 — Bilibili 의 enhanced social feature 가 확산 견인. - **RQ**: UGC 비디오 사이트 (Bilibili) 에서 비디오 확산을 결정하는 detail attribute 는 무엇이며, 그 효과가 [[s-curve]] 의 어느 단계에서 active 한가 - **방법론**: [[web-crawling]] (daily, 30 일), [[panel-data-analysis]] + [[fixed-effects-model]] ([[hausman-test]] 로 채택), 시기 분할 — initial 5일·increase 20일·end 5일 - **데이터**: Bilibili 4,230 비디오 + 3,472 uploader, 30 일 daily crawling, 총 128,900 관측치; video attribute (Danmaku/comment/coins/favorite/sharing) + uploader attribute (follower/submission/total view); 평균 view 6,157 (max 36,950,000), Danmaku 평균 42.56, coin 평균 118.85, follower 평균 5,260 - **주요 발견**: Initial (0-4d) — follower β=0.178***, favorite β=0.656***, comment β=0.407***, Danmaku β=0.153*** (H1a 지지, H1b sharing 비유의로 기각); Increase (5-24d) — 6 attribute 모두 양 유의 (favorite β=0.529***, follower β=0.227***, Danmaku β=0.143***); End (25-29d) — 모두 양 유의 (favorite β=0.248***, follower β=0.171***); 전체 (0-29d) favorite β=0.638***, comment β=0.341*** - **시사점**: UGC 사이트 설계자는 Danmaku 같은 *enhanced social interaction* feature 가 모든 stage 에서 양 효과를 주므로 적극 도입; 마케팅 매니저는 follower 큰 uploader 활용 외 *comment·coin·favorite* 활동 유도로 video diffusion 가속 가능 ![Bilibili 의 Danmaku platform 예시 (실시간 화면 위 흐름 코멘트)](/papers/201902_YanL_Video_Diffusion_in_User_generated_Content_Website_An_empirical_analysis_of_Bilibili/fig1.jpeg) ## 요약 [[user-generated-content]] (UGC) 비디오 플랫폼 확산 연구는 주로 YouTube 의 social network 구조 (Yoganarasimhan 2012) 와 traffic 패턴 (Cha et al. 2007, 2009), 시간 component (Crane and Sornette 2008, Szabo and Huberman 2010) 에 집중했다. *Video 의 detail attribute 가 인기에 미치는 영향* 의 단계별 (S-curve 의 initial/increase/end) 분리는 미비. 중국 Bilibili 는 YouTube 와 유사하지만 *Danmaku* — 화면 위로 실시간 흐르는 코멘트 (이전 시청자 + 동시 시청자) — 라는 enhanced social feature 로 차별화돼 UGC 확산 분석의 좋은 testbed. [[li-yan]] · [[namjun-cha]] · [[hosoo-cho]] · [[junseokhwang]] 은 [[web-crawling]] 으로 Bilibili 의 4,230 비디오·3,472 uploader·30 일 daily 데이터 (128,900 관측치) 수집. Video attribute 6 종을 3 category 로 분류 — *active participation* (forum comment, Danmaku comment), *simple participation* (favorite, coins), *externality* (follower, sharing). Uploader attribute (follower, submission, total view) 는 fixed effect 로 흡수. S-curve 의 inflection 에 맞춰 시기를 분할 — initial 0-4d, increase 5-24d, end 25-29d. [[hausman-test]] 로 [[fixed-effects-model]] 채택, panel regression: Initial (0-4d) 에선 follower (β=0.178***) 와 favorite (β=0.656***), comment (β=0.407***) 가 강하게 양 유의 — H1a (externality 의 follower 효과) 지지, sharing 은 비유의로 H1b 기각 (sharing 양 자체가 초기엔 작음). Increase (5-24d) 에선 6 attribute 모두 양 유의 — favorite 가 여전히 가장 강하고 (β=0.529***), Danmaku (β=0.143***) 와 comment (β=0.187***) 의 active participation 도 일관. End (25-29d) 도 모든 attribute 양 유의 (favorite β=0.248***, follower β=0.171***), 다만 계수 크기 전반 축소. 전체 기간 (0-29d) favorite β=0.638***, comment β=0.341***, follower β=0.294*** 가 top 3. 해석: Danmaku 같은 *enhanced social interaction* feature 는 단계 무관 양 효과 — Bilibili 의 차별화 전략이 확산에 기여한다는 directly testable evidence. Uploader 의 follower 는 초기엔 *exposure* mechanism, 후기엔 *quality signal* mechanism 으로 작동 (양 효과 지속). 한계는 (i) Bilibili 의 social network 구조 (follower 관계) 미접근, (ii) 30 일 window 의 단기성, (iii) endogeneity (view ↑ → follower ↑ 의 reverse causality 가능). [[junseokhwang]] 4 기 (2020-2023) 초입의 *UGC / 플랫폼 확산* 라인, 동일 학회 [[namjun-cha-2019-ai-recommendation-consumer-preference]] 와 sibling. ## 핵심 결과 Table (Fig 3), Bilibili 4,230 videos · 30-day fixed-effects panel: | 단계 | dmk comment | comment | coins | favorite | sharing | follower | |---|---|---|---|---|---|---| | 0-4d (initial) | 0.153*** | 0.407*** | 0.137** | **0.656*** | -0.050 | 0.178*** | | 5-24d (increase) | 0.143*** | 0.187*** | 0.146*** | **0.529*** | 0.104*** | 0.227*** | | 25-29d (end) | 0.103*** | 0.059* | 0.078*** | **0.248*** | 0.105*** | 0.171*** | | 0-29d (total) | 0.113*** | 0.341*** | 0.170*** | **0.638*** | 0.102*** | 0.294*** | \* p<0.05, ** p<0.01, *** p<0.001. Favorite 가 모든 stage 에서 dominant predictor, follower 가 두 번째. Sharing 만 initial 에서 비유의. 기술통계: views 평균 6,157 (max 36.95M), Danmaku 평균 42.56 (max 110,000), coins 평균 118.85, comment 평균 88.69, favorite 평균 135.11, sharing 평균 28.34, follower 평균 5,260, total view 평균 1.14M. ## 방법론 노트 3 attribute category 의 시기별 효과 분리를 위해 panel fixed-effects: $$ view_{i,t} = \alpha_i + \beta^{video}_i x_{i,t} + \varepsilon_{i,t} $$ 여기서 $view_{i,t}$ 는 비디오 $i$ 의 $t$ 일 누적 view, $\alpha_i$ 는 uploader-specific fixed effect (follower·submission·total view 흡수), $x_{i,t}$ 는 video attribute (Danmaku·comment·coins·favorite·sharing·follower). [[hausman-test]] 가 fixed-effects 일관성 지지. Identification idea 는 (i) uploader 효과를 fixed effect 로 흡수해 *video attribute 의 within-uploader variation* 만으로 식별, (ii) S-curve 의 inflection 시점 (initial→increase→end) 으로 표본을 분할해 단계별 계수 변화 추적 — uploader 광고비·platform algorithm 같은 unobserved time-varying 변수가 단계마다 다르게 작용할 수 있다는 점을 부분 통제. ## 연구 계보 UGC 의 marketing 가치 실증 라인 — Ye et al. (2011) 호텔 reviews → online sales, Dhar and Chang (2009) 블로그 → 음악 매출, Cox et al. (2009) UGC = credible 정보원. YouTube 비디오 확산 라인 — Yoganarasimhan (2012) social network 구조, Liu-Thompkins and Rogerson (2012) follower 효과, Cha et al. (2007, 2009) traffic 분석, Crane and Sornette (2008) · Szabo and Huberman (2010) 시간 component. Danmaku 특화 — Chen, Gao and Rau (2015) gratification, Wu et al. (2018) Danmaku vs forum comment. UGC + 정보 시스템 user participation — Hartwick and Barki (1994), Haridakis and Hanson (2009), Cheng et al. (2010). [[junseokhwang]] 4 기 (2020-2023) 초입의 [[platform-ecosystem]] / UGC 라인. Sibling 으로 동일 ICACT 2019 학회 발표 [[namjun-cha-2019-ai-recommendation-consumer-preference]] (공저자 [[namjun-cha]] · [[hosoo-cho]] 공유) — 둘 다 *플랫폼 feature 가 user 행동에 미치는 영향* 의 실증·디자인 라인. ## See also - [[junseokhwang]] - [[li-yan]] - [[namjun-cha]] - [[hosoo-cho]] - [[icact]] - [[fixed-effects-model]] - [[panel-data-analysis]] - [[user-generated-content]] - [[information-diffusion]] - [[video-platform]] - [[namjun-cha-2019-ai-recommendation-consumer-preference]]