Video Diffusion in User-generated Content Website: An empirical analysis of Bilibili

Li Yan, Namjun Cha, Hosoo Cho, 황준석 (2019) · International Conference on Advanced Communication Technology · DOI ↗

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 고정효과 모형 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), 패널 데이터 분석 + 고정효과 모형 (Hausman 검정 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)

요약

이용자 제작 콘텐츠 (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 · 황준석 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 검정 로 고정효과 모형 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). 황준석 4 기 (2020-2023) 초입의 UGC / 플랫폼 확산 라인, 동일 학회 Effect of AI Recommendation System on the Consumer Preference Structure in e-Commerce: Based on Two types of 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 검정 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). 황준석 4 기 (2020-2023) 초입의 플랫폼 생태계 / UGC 라인. Sibling 으로 동일 ICACT 2019 학회 발표 Effect of AI Recommendation System on the Consumer Preference Structure in e-Commerce: Based on Two types of Preference (공저자 Namjun Cha · Hosoo Cho 공유) — 둘 다 플랫폼 feature 가 user 행동에 미치는 영향 의 실증·디자인 라인.

인접 그래프

1-hop 이웃 13개

인물 4
방법론 3
주제 4
수록처 1
논문 1

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (1)

Effect of AI Recommendation System on the Consumer Preference Structure in e-Commerce: Based on Two types of Preference