1. ユーザコメントのtf-idf法による分析を用いた
インタラクティブな関連動画の提示
複雑系工学講座 調和系工学研究室
修士２年 江端 佑介

2. 研究背景
動画の特徴を表す情報
動画のメタ情報 … 動画に付随する，動画自身の特徴を表す情報（タイトル，タグ等）
→ 動画内容をすべて網羅しているわけではない
動画にはメタ情報に含まれない情報がまだある
タイトル 飛行機（着陸） タイトル 飛行機（着陸）2
タグ 飛行機 メタ情報 タグ 飛行機,大阪空港
説明文 伊丹空港で… 説明文 大阪空港の…
ANA が好き！ JAL はオシャレ
ジャンボが見たかった コメント 飛行機乗りたい
動画コメント … 動画を見たユーザが書き込む文書
→ メタ情報には存在しない，動画の特徴を表す情報 を含む可能性がある
動画コメントから動画の特徴を表す情報の取得が実現
↓
動画説明文生成や関連動画表示などの情報源として応用できる可能性

3. 目的
目的
動画の特徴を表す情報を動画コメントから取得
応用
動画コメントから取得した情報を用いたサービスモデル
ユーザの視聴した動画のコメントの特徴を考慮しインタラクティブに関連動画を提示
提示
視聴

4. コメントからの動画情報の抽出
仮定と手法
＜仮定＞ コメントの特徴が似ている動画どうしは関連性がある
異なる動画のコメント文書間の類似度を定義する必要
（情報検索におけるベクトル空間モデルの応用[04 大谷]）
tf-idf法を利用しコメント文書をベクトル表現
コメント文書のベクトル表現によって得られた特徴語が
動画の特徴を表すか否か予備実験にて検討
予備実験概要
①YouTubeから動画毎にコメント（英語）を収集
②tf-idf法により動画毎のコメント文書をベクトル表現し特徴語を定義
③得られた特徴語が動画の特徴を表すかをアンケート調査

5. 予備実験
コメントの収集
YouTube Data APIのカテゴリ検索を利用
①15カテゴリ・15000動画のIDを取得 ・・・・
②各IDにつき最大1000件のコメントを取得
14381動画分のコメント文書Dを保存 D1 D2 D14381
・・・・
特徴語の定義 名 名 名
①コメント文書を名詞・動詞・形容詞に絞り込み 動 形 動 形 動 形
②カテゴリ毎にtf-idf法を用いてコメント文書の特徴ベクトルを求める
D : コメント文書
log( tfreq (T , D)) M
tf (T , D)  idf (T )  log 1 T : 文書D内の単語
log( NoT ( D)) dfreq (T ) tfreq (T , D) : 文書D中に単語Tが出現する回数
NoT ( D)
: 文書Dの総単語数
w(T , D)  tf (T , D)  idf (T ) M
: カテゴリ内の総文書数

d D  ( w(T1 , D), w(T2 , D), w(TN , D)) dfreq (T )
: 単語Tが出現する文書数
w(T , D)
: 文書Dにおける単語Tの重要度
N : カテゴリ内の総単語数

③特徴語の定義 d D : 文書Dの特徴ベクトル
名詞・動詞・形容詞のそれぞれについて w(T , D) が最大値をとる単語を特徴語と定義

6. 予備実験
アンケート調査
①動画を視聴（収集した14381動画のうち10動画）
②質問への回答
問： 特徴語として定義した名詞・動詞・形容詞が
動画から読み取れたかどうか
結果
動画から特徴語が読み取れたユーザの割合と
特徴語とメタ情報との合致
名詞 メタ情報 動詞
特徴語が動画から読み取れた割合 メタ情報 形容詞 メタ情報
(%) との合致 (%) との合致 (%) との合致
(10動画の平均)
動画1 64.7 × 70.6 ○ 64.7 ○
動画2 43.8 ○ 18.8 × 61.5 ×
アンケート例
動画3 100 ○ 69.2 × 38.5 ×
動画4 80.0 ○ 20.0 × 40.0 × 特徴語がメタ情報に含まれず，かつ
動画5 0 ○ 87.5 × 25.0 × 動画から読み取れた被験者が半数以上
動画6 85.7 × 100 × 71.4 ×
↓
動画7 28.6 × 28.6 × 42.9 ×
コメント文書から抽出した特徴語が
動画8 57.1 ○ 28.6 ○ 14.3 ×
動画の特徴を表す可能性
動画9 42.9 × 100 × 57.1 ×
動画10 0 × 57.1 × 100 ○

7. インタラクティブな関連動画提示への利用モデル
モデル概要
START
①動画の提示 ④関連動画の選択 検索キー入力
①動画の提示
④関連動画提示
②気になった
なし 動画の選択
あり
②気になった ③ユーザが選択した動画の ③コメント傾向ベクトル算出
関連動画の選択
動画の選択 コメントの傾向ベクトルを算出
END
「①動画の提示」～「④関連動画の選択」までを一試行とする

8. インタラクティブな関連動画提示への利用モデル
傾向ベクトル
「ユーザが選択した動画のコメントの特徴ベクトル」
及び を考慮して定義
「前の試行における傾向ベクトル」
 
    
un    d Da    d Db    d Dc  k  un1
ユーザが気になった動画のコメント文書ベクトルの和 前の試行におけるユーザの
（但し  ,  , ：ユーザが選択したら1，しなかったら0） 視聴傾向ベクトル
（但し減衰率kを掛ける）
関連動画の選択
カテゴリ内の既に視聴した動画を除くすべての動画に対し
コメントの特徴ベクトルと傾向ベクトルとの類似度を求める
 
  u n  d Di
類似度 Sim (u n , d Di )   
u n d Di
↓
類似度の上位三動画を関連動画と定義

9. 0
1
2
3
4
5
6
7
8
messi
globus
重要度
goles
futbol
cr9
pero
目的
javier
hacia
lo
seleccion
si

d10s
d D1
ni
benoit

wrestlemania
d D1
kane
D1 : LIONEL MESSI TOP 30 GOALS!!!
wcw
dx
mcmahon
eddie
macho
hartaustin
実験
willjohnboy
owens

cyruss
d D2
選択した動画の単語と重要度
tenta
inducties
iirc
fn
sounds
match
x12
・ユーザが気になった動画として既に２つを選択したと仮定し実験を行う
jawoll
clic
dh

yokozuna
d D2
選択した動画のコメント傾向を反映した関連動画提示の確認
stirring
rl
sabu
D2 : Bret Hart: 2006 Hall of Fame Speech
nitro
単語
h

10. 0
1
2
3
4
5
6
7
8
messi
globus
重要度
関連
動画
goles
(1回目)
futbol
cr9
pero
javier
hacia
lo
seleccion
si

d10s
d D1
ni
benoit

wrestlemania
d D3
kane
wcw
dx
mcmahon

eddie
d D1
macho
hartaustin
結果
willjohnboy
owens

cyruss
d D2
tenta
inducties

iirc
d D4
fn
sounds
match
x12
jawoll
clic

dh
d D2
yokozuna
stirring
rl
sabu

nitro
d D5
単語
h

11. 0
1
2
3
4
5
6
7
8
messi
globus
重要度
関連
動画
goles
(1回目)
futbol
cr9
pero
javier
hacia
lo
seleccion
si
選択

d10s
d D1
ni
benoit

wrestlemania
d D3
kane
wcw
dx
mcmahon

eddie
d D1
macho
hartaustin
結果
willjohnboy
選択
owens

cyruss
d D2
tenta
inducties

iirc
d D4
fn
sounds
match
x12
jawoll
clic

dh
d D2
yokozuna
stirring
rl
sabu
nitro
単語
h

12. 0
1
2
3
4
5
6
7
8
messi
globus
重要度
関連
動画
goles
(1回目)
futbol
cr9
pero
javier
hacia
lo
seleccion
si
選択

d10s
d D1
ni
benoit

wrestlemania
d D3
kane
wcw
dx
mcmahon

eddie
d D1
macho
hartaustin
結果
willjohnboy
選択
owens

cyruss
d D2
tenta
be

plisss
d D4
wm25
lmaoooo
dynamite
x12

jawoll
d D3
clic

dh
d D2
yokozuna
stirring
重要度が増した語
rl
sabu
bret,hart,hogan,owen,

nitro
hbk,shawn,hitman etc….
単語
d D4
h

13. 結果
 
関連 d D1 d D2
動画
(1回目)
 
関連
d D3 d D4
重要度が増した語
動画 bret,hart,hogan,owen,
(2回目) hbk,shawn,hitman etc….
>Ric Flair and Shawn >it cause of hulk hogan…
Michaels... >Bret and HBK totally….
>He and shawn Michaels …
>the hitman in a wwe ring
>Best of all time with Bret >With all due respect to
Hart right there again but…
Bret Hart....

14. 結果
 
関連 d D1 d D2
動画
(1回目)
 
d D3 重要度が増した語 d D5
選択 messi,ronaldo,barca,
bret,hart,hogan,owen, 選択
bret,hart,hogan etc….
hbk,shawn,hitman etc….
重要度
6    
5 d D1 d D2 d D3 d D5
4
3
2
1
0
dx
hulk
somfing
thoughtss
leo
que
be
balon
mierdaldo
suit
messi
1messi
tyson
aguantee
wounded
soccer
gooner
tna
cinzia
単語

15. 結果
 
関連 d D1 d D2
動画
(1回目)
 
関連
d D3 重要度が増した語 d D5
動画 選択 messi,ronaldo,barca,
bret,hart,hogan,owen, 選択
(2回目) bret,hart,hogan etc….
hbk,shawn,hitman etc….
>Ric Flair and Shawn > people said ronaldo
> didn't kick ric in the nads should've won it?
Michaels...
like he did bret hart... > the best lionel
messi
>Best of all time with Bret
> Flair is just like Hogan ... video ive watched
Hart right there

16. まとめ
目的
動画の特徴を表す情報を動画コメントから取得
↓応用
ユーザの選択した動画の特徴を考慮しインタラクティブな関連動画の提示
達成事項
・動画コメントからtf-idf法によって抽出した特徴語が動画の特徴を表すものとして
利用できる可能性を示した
・ユーザが視聴し，気になった動画のコメントの特徴ベクトルを合成した傾向ベクトルを
用いて，ユーザの視聴傾向を反映した関連動画の提示ができる可能性を示した
研究業績
国内学会発表：１件

18. 0
1
2
3
4
5
messi 6
leo
balon
que
1messi
tna
hulk
dx
suit
cinzia
tyson
wounded
be
somfing
mierdaldo
soccer
thoughtss
gooner
aguantee

19. 結果
 
関連 d1, D1 d1, D2
動画
(1回目)
 
d D3 d D5
選択 選択