ツイート順序による情報伝達の向上
早稲田大学基幹理工学部 応用数理学科４年
1w142154-6
目次
第1章 はじめに 3
1.1 背景. . . 3
1.2 既存研究との位置づけ . . . 3
第2章 データ収集と解析 4 2.1 retweet，clickとfollower増加の相関関係 . . . 5
2.2 ツイートcategoryの分類 . . . 8
第3章 ツイートcategoryのrotation 12 3.1 categoryのツイート順序とclick数の関係 . . . 12
3.2 1ツイートあたりの期待されるclick数が最大となるrotationの算出 . . . 13
3.3 最大となったrotationの考察 . . . 17
3.4 rotationの効果によるclick数上昇 . . . 18
第4章 今後の課題 21
第
1
章
はじめに
1.1
背景
人々の生活に強く根付き，欠かせないアプリケーションとなったTwitterやFacebook，Instagramな
どのSNS媒体だが，それらの使用方法は多岐に渡っている。最も一般的な使用例としては，個人のアカ
ウントで現在の心境や現状を報告し，followerや友達となっている人に情報を発信することを主としたも
のである。一方，近年では企業や学生団体など，複数人でそのアカウントへログインができる組織アカウ
ントが数多く見られるようになった[1]。その背景としては，アカウント作成時に初期費用をかけること
なく，情報を提供することがを手軽に行えることがあげられる。そのツイートによって，それぞれの組織 が目的とする利益へとユーザーを誘導することが可能になるのである。
本論文では，数あるSNS媒体の中でも，日本で最もユーザー数の多いTwitterに着目する[2]。Twitter
上で組織アカウントの広告活動を行う上で，ユーザーに伝えたい情報の効果的な伝達方法の提案をする。
多くの組織アカウントの中から，大学サッカー同好会カテゴリを支援する組織アカウント”BeYonD”を分
析の対象とし，今後の広告活動に活かしていくことを目指す[3]。BeYonDで主に扱っているサッカー同
好会同好会カテゴリは，関東だけでも120以上のチームがあるにも関わらず，JFA(日本サッカー協会)に
唯一公認されていない実態が不透明なカテゴリである[3]。BeYonDは，以上の問題を抱えた同好会カテ
ゴリの認知度向上を目的とした組織であり，同好会カテゴリの試合情報やコラムなどを日々，URLに記
事を添付してTwitter上で発信している。
1.2
既存研究との位置づけ
Twitterで自らのツイートをタイムライン上に流す際には,文字だけでなく画像やタグ，URLを同時 に添付することが可能である。先行研究では，それらの添付によって，情報拡散が向上することが明らか
になっている[4]。Twitterでの情報拡散は，タイムライン上で受け取った情報を自分のfollowerに向け
て再度ツイートするretweetという機能を用いることができる。既存の研究では，画像＞タグ＞URLの
順にretweetによって情報が拡散されやすいことが分かっている[4]。しかしながら，この先行研究にお
いては，画像やURLの内容については考慮されていない[4]。このことから本研究では,同一アカウント
第
2
章
データ収集と解析
retweetは，自分がフォローしているユーザーの元ツイートを直接retweetする1次retweetや，他
のユーザーによりretweetされたツイートをretweetしていく2次，3次retweetがあるが，最終的な
rtweer数を，そのツイートにおけるretweetと定義する。また，タイムライン上に流れてきたBeYonD
のツイートに添付されているURLをclickして，記事に飛んだ回数をそのツイートにおけるclickと定義
する。同一のユーザーがツイートに添付されているURLを何度もclickすることは非常に稀であること
から，今回の研究では考えないものとする。今回の分析で使用するretweetやclickなどのデータの収集
2.1
retweet
，
click
と
follower
増加の相関関係
図2.1 分析の対象とするBeYonDのツイート例
分析の対象とするツイートは，2016年10月11日から2017年11月30日までにBeYonDよりツイー
トされた389個のURL付きツイートとする。このツイートには，URLをclickすることで読むことので
きる記事の内容をまとめた要約文と画像が，図2.1のように対象とするツイート全てに含まれている。こ
こで，ツイートサンプルの集取期間が13ヶ月分あるため，その期間中のfollower増加によって，clickが
増加している可能性が考えられる。そこに相関関係が見られた場合，ツイートされた時のfollowerの数
を考慮に入れなければならない。また，retweetが多いツイートがclickが多いとは必ずしも限らないた
め，情報の拡散度合いをclick数としても構わないかを検証する必要がある。以上の二つの検証を行うた
図2.2 各記事におけるretweetとclick
図2.2は全ツイートサンプルにおけるretweetとclickの関係を散布図に表したものである。相関係数
は0.6863761で正の相関が見られた。特に，p値が2.2e−16であることから，ツイート自体のretweet
が上がれば，それに従ってURLの記事を閲覧したユーザーの数であるclickも増えていることになる。
このことから，retweetが増えることによってたくさんのユーザーのタイムライン常にツイートを流し，
URLをclickさせやすくなった。また，ツイートをする目的は，サッカーサークルの情報を記載した記事
をたくさんのユーザーに読んでもらうことであるので，BeYonDから発信されているツイートの伝達の度
合いをURLのclick数と考える。
図2.3は13ヶ月間の全ツイートのclick数に対して，月末に観測されたfollowers数をプロットしたも
のである。月ごとのfollowerは常に増加し続け，観測期間内で200人以上ものユーザーが BeYonDの
followerになったが，1ツイートあたりのclick数の増加傾向は見られなかった。しかし，これは目視で
の判断であるため，followerの増加とclickに相関がないとはっきり言い切ることはできない。
図2.4 累積のfollower数と月の平均click数
図2.4は，月末ごとに観測したBeYonDのアカウント自体のfollowerに対して，縦軸にその月の１ツ
イートあたりの平均click数をプロットしたものである。Twitter Analyticsにおいて，follower計測の
可能期間が月単位であることから，ツイートを開始してから13ヶ月間のデータに収集のみに留まった。
そのため，p値が基準となる0.005を大きく上回り回帰直線の誤差が大きく，アカウント自体のfollower
増加とclickの増加に関する相関関係は見られなかった。したがって，ツイートの内容とその順番による
2.2
ツイート
category
の分類
次に，ツイートの内容と順番が記事のclickに影響を及ぼすかを分析するために，記事内容ごとに
category分けを行う。今回収集した 389個のツイートサンプルを記事の対象となっているメンバーや
チームの数，サッカーの試合に関するものかを基準として，以下の5つのcategoryに分類する。
• categoryMoM(Man of the Match)
→ある試合において最も活躍した選手を１名ピックアップして特集する記事
• categoryMR(Mach Report)
→1試合の結果を試合の流れを踏まえ，まとめた記事
• categoryIC(Indivisual Colum)
→サッカーの試合とは関係なく，個人のサークルメンバーをピックアップして特集する記事 （例、美女マネージャー、イケメンプレーヤー、主務特集）
• categoryMT(More than 3 Team)
→リーグ戦や大会結果、新歓情報を3チーム以上の複数チームまとめた記事
• categoryET(Except a Team)
→同好会カテゴリーのチームとそれに所属している選手以外を特集する記事 （例、スパイク特集、ユニホーム特集、テーピング特集）
表2.1 各categoryごとのツイートサンプル数と1ツイートあたりのclickの最小値，平均値，最大値
I 1092378 7 1092378 . 1092378 1092378 1092378 C
16415 16415 E
図2.5 各categoryにおけるclickの箱ひげ図
図2.5は，表2.1を用いて，各categoryごとの1ツイートあたりのclick数で作成した箱ひげ図である。
最もclickを得やすい傾向があり人気な記事であったcategoryICは，個人に強くフォーカスした記事で
ある。特集された本人がツイートをretweetすることによって，そのfollowerがツイート見た際にclick
をしやすくなったことが原因であると考えられる。次にclickを得やすい傾向があったのはcategoryMT
であった。categoryMTは最も特集しているチーム数が多いため，そこに関与しているメンバーによって
retweetされることによって，そのfolloer達から多くのclickが得られたと考えられる。
図2.6 月にツイートされたcategoryMoMの数と
follower増加の相関関係
図2.7 月にツイートされたcategoryMRの数と
図 2.8 月にツイートされた categoryIC の数と
follower増加の相関関係
図2.9 月にツイートされたcategoryMTの数と
follower増加の相関関係
図2.10 月にツイートされたcategoryETの数とfollower増加の相関関係
図2.6∼図2.10は月ごとにツイートされたそれぞれのcategoryのツイート数と，その月のfollower数
をプロットした散布図である。図2.6，図2.7，図2.10より，categoryMoM，MR，ETには正の相関が
見られ，これら3つのツイートが多くツイートされるほどfollowerは増える傾向にあることが分かった。
特に，相関係数の大きかったcategoryMoM，MRは，BeYonDがメインで扱っているサッカーの試合結
果の事実を速報するものである。この結果により，記事を見るだけでなく，多くのfollowerが得られると
いうことは，click数はさほど多くなかったものの，その試合に関係のあるユーザーにとってニーズの高
い記事であると考えられる。一方，多くのclickを得られ人気な記事であったcategoryIC，MTは，図
2.8と図2.9より負の相関が見られ，月にツイート数が多くなるほど，followerの増加数は小さくなると
いう結果が得られた。多くの人が興味を抱きやすい万人受けの記事は，定期購読したいと思うほどのもの
• followerになるほどではないが，click数の獲得に優れた万人受けする記事
categoryIC，MT
• 多くのユーザーからのclickは得られないもののfollowerの増加に効果的な記事
categoryMoM，MR，ET
に分けられ，categoryによって得られる要素が異なることが分かった。ここで得られた結果を以下の図
2.11にまとめる。
MoM
MR
IC
MT
ET 0 200 400 600 800 1000 1200-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
fo
ll
o
w
e
r
増
加
の
相
関
係
数
click
数
図2.11 各categoryの平均click数と，月にツイート数とfollower増加の相関係数の散布図
もし，clickを得ることに特化するのであれば，categoryをICとMTに絞ってツイートすることが最 も効果的であると考えられる。しかし，そのツイート方法では，より多く大学サッカー同好会の情報を発
信するというBeYonDの目的とはかけ離れてしまう。また，得られるclcik数は少ないが，followerの増
加に効果的であったcategoryMoM，MR，ETは，記事を見るだけでなくfollowerになることから，ユー
ザーにとっては非常にニーズの高い情報であるので，様々なcategoryをツイートした上で，多くのclick
第
3
章
ツイート
category
の
rotation
2.2で得られた各categoryの特徴を活かし，clickを多く得られる傾向が見られたcategoryICとMT
を中心に，どのような順序でツイートを繰り返してしていけば多くのclick数が得られるかを分析する。
3.1
category
のツイート順序と
click
数の関係
図3.1 categoryMoMにおけるツイートの順序サンプルモデル
まず，各categoryのツイート順序がclickにどのような影響を及ぼすかを検証する。categoryMoMを
ツイートするにあたって，一つ前にツイートされたcategoryごとのclickの値を比較する。時刻1→2，
7→8，8→9の直前がMoMになっているので，これを平均すると，(379.5 + 625 + 500)/3 = 501.5で ある。図3.1はcategoryMoMをツイートする上で，直前のツイートがcategoryMoMであった時の平均
表3.1 categoryの順序と平均click(平均との比)
65 78 2 2 65 78 23 65 78 1 65 78 24 65 78 04
65 78 2 2 % % .(- . )(. ( (-. ( % - ( %+ ) . 65 78 23 % + ) % % ) ( % ( . ) % ++ + + . % -. ) . 65 78 1 .+% % . % ) )+ - - + %) ( -%+ + - .+. (--65 78 24 - + ( ) . --% ( ( ( .+( ( .( + .( . - ) - % )). -65 78 04 ()+ + +- . ) (- + - - ))% ( (+( . ( + % -- )
I6 96 C E 65 78
E 65 78
表3.1の行は計測する一つ前のcategoryにより影響を受けた各categoryの平均clickと，その値と各
category全体の平均との比を表している。category全体の平均clickより高い値が得られたものを青，平
均より低い値が得られたものを赤で塗りつぶしている。連続で同じcategoryをツイートしているものは，
右下りの対角線上に位置しており，categoryETを除く4つのcategoryでそれぞれ平均のclickを下回
る結果となった。このことから，同じcategoryを連続でツイートすることはclickの減少に繋がってし
まい，得策ではないことが分かった。唯一同じcategoryを続けてツイートしても平均clickを上回った
categoryETは，表2.9より，サンプル数が29と最も少なく，1つのツイートによる影響力が大きくなる
ことから誤差が生じてしまったのではないかと推測できる。以上の結果から各categoryのclickは直前
のツイートに影響を受けて，増減することが分かった。
3.2
1
ツイートあたりの期待される
click
数が最大となる
rotation
の算出
図3.2 rotation(k1, k2, . . . , km)のサンプルモデル
直前のcategoryによって記事のclick数を上げることが可能であることから，各categoryが同じ割合
でストックされている時，全てのcategoryを使った上でツイートする順番を工夫して，1ツイートあた
りの期待されるclick数を上げる方法を考える。表3.1ので直前のツイートによって，次にどのcategory
をツイートするとclick数が増えるかが分かっているので，最も多くのclick数を得ることのできる順番
を継続的に繰り返すことで，1ツイートあたりで期待されるclick数を増やすことができると考えられる。
ここで，いくつかのcategoryを用いた順番を作り，その順番を継続的にツイートする方法をratationと
定義する。ツイートできるcategoryがk1, k2, . . . , kmであった時，rotation(k1, k2, . . . , km)を以上の図
図3.3 直前がk1, k2であるk2, k1のツイートサンプルモデル
次に，図3.2で定義したrotationにおける1ツイートあたりの平均のclick数を過去のツイートデータ
より算出し，1ツイートあたりで最もclickが得られるrotationを導き出す。図3.3のように直前がk1で
あったk2のサンプル数をns1k2，その合計のclick数をsk1k2 とおき，直前がki，i= (1,2,3, . . .)であっ た時のki+1の平均click数を，
vkiki+1 =
skiki+1
nkiki+1
(3.1)
と定義する。
上の図3.4のように直前のツイートにのみ影響を受けたツイートを組み合わせrotationを作り出し，そ のrotationにおける1ツイートあたりで期待されるclick数を算出する。ここで，継続的にツイートを行 うrotationをrotation(k1, k2, . . . , km)とした時，1ツイートあたりに期待されるclick数を，
E[rotation(k1, k2, . . . , km)] =
1
m(
m ∑
i=1
skiki+1
nkiki+1
+ skmk1
nkmk1
) (i= 1,2,3, . . .) (3.2)
= 1
m(
m ∑
i=1
vkiki+1+vkmk1) (3.3)
と定義する。次に(3.3)式に従って，全てのrotationにおける1ツイートあたりの平均clickを算出し，
最もclickの多いrotationを見つけ出し，その優位性について考える。2.2で定めた5つのcategoryの中 から2∼5つのcayegoryでのrotationを考え，1ツイートあたりの平均clickが最大となったrotationと 最小のrotationを表3.2に記す。
表3.2 1ツイートあたりで期待されるclickが最大となるrotationとその値
表3.1と表3.2より，最もclickの多かったcategoryICを連続でツイートした時に期待される平均click
であるE[rotation(IC,IC)]=818.7は，E[rotation(IC,MT)]=1002.301より，categoryICを連続でツイー
トした時よりclickが183.601増加するという結果が得られた。同様に、categoryの数を3∼5つと増や
していってもrotation(IC,IC)の平均clickを上回り，順番を工夫すれば多くのcategoryをツイートして
もclickを増やすことは可能であった。また，rotationを作る時のcategoryの数を少なくしていくと，1
ツイートごとのcliclによる影響力が強くなるため平均のclick数が最大のrotationと最小のrotationの
図3.5 rotation(IC,MT,ET,MoM,MR)における1ツイートあたりに期待される平均click導出の箱ひげ図
図3.6 rotation(MR,ET,IC,MoM,MT)における1ツイートあたりに期待される平均click導出の箱ひげ図
図3.5と図3.6は，categoryを5つ全てを使ってrotationを作り出した際，1ツイートあたりの平均click
数が最大となったrotation(IC,MT,ET,MoM,MR)と，最小となったrotation(MR,ET,IC,MoM,MT)の
箱ひげ図である。この箱ひげ図では，直前のツイートが ki である ki+1 の平均 click 数をki-ki+1 に
おける太線で記入し，5 つのツイートそれぞれの平均 click数の平均を取ったものを赤線で引いてい
る。それぞれ1ツイートあたりに期待されるclick数は，E[rotation(IC,MT,ET,MoM,MR)]=849.987
とE[rotation(MR,ET,IC,MoM,MT)]=572.0717である。rotationを意識してツイートを行うだけでお よそ278ものclick数の差が生じた。また表3.2より，全てのrotationにおける1ツイートあたりの平 均click数は687.1964であるので，5つのcategoryをデタラメにツイートするよりもclickを得やすい
3.3
最大となった
rotation
の考察
図3.7 categoryを特徴分けしたrotation(MR,ET,IC,MoM,MT)のモデル
図3.8 categoryを特徴分けしたrotation(MR,ET,IC,MT)のモデル
1ツイートあたりの clickが最大となったrotation の特徴について考察する。clickが最大となった
rotationのcategoryを，2.2で得られた結果で分類すると図3.7のようになった。図3.7より，最もclick
を得られる傾向のあったIC-MTをツイートした後に，follower増加に効果的であるET-MoM-MRの順
番を入れ込みrotationを作ることが，多くのclickを得ることに効果的であることが分かった。同様に，
4つのcategoryでrotationを構成した時の，clickが最大となるrotationを分類すると図3.8のようにな
り，図3.7と同じようにclickの獲得に優れた記事と，follower増加に優れた記事をまとめてツイートす
3.4
rotation
の効果による
click
数上昇
次に，最大となったrotationが，本当にrotationの効果でclickが上昇したのかを検証する。それぞ
れのcategoryを単独でツイートした時の平均click数と，rotation(IC,MT,ET,MoM,MR)における平均
click数の増加を比較した結果が以下の図3.9である。
図3.9 rotation(IC,MT,ET,MoM,MR)のclick比較図
図 3.9より，rotation(IC,MT,ET,MoM,MR)において，MR-IC，ET-MoMの 2つが，それぞれの
categoryを単独でツイートした時の平均click数を大きく上回っていることが分かる。この2つの共通の
特徴として，1人のメンバーにフォーカスした記事であったことから，記事内で扱うメンバー数が1人に
絞られる時，直前のツイートcategoryによる増加が大きくなる。MR-ICとET-MoMの全ツイートサン
図3.10 rotation(IC,MT,ET,MoM,MR)におけるMR-IC，ET-MoMのツイートサンプル図
図3.10は，直前がMRのICと直前がETのMoMの全ツイートサンプルを，各categoryの平均click
と比較し，平均より低いツイートを赤，平均より高いツイートを青で囲ったものである。ICの直前のMR
は，ICでツイートされたチームということもなく，抽出したICとMoMの直前のツイートには，特定の
法則は見られなかった。しかし，図3.9でclick上昇が最も大きかったICの中でも，特にclickの多かっ
た美女マネが，MR-ICにまとまって抽出された。この美女マネの記事を例にとり，他のcategoryが直前
図3.11 ICに含まれるMR-ICとMR-ICの美女マネの箱ひげ図
図3.11の一番右はIC全体のclick数の箱ひげ図であり，右から2番目の箱ひげ図はICに含まれ，こ
こで分析を行う美女マネの記事である。この2つの箱ひげ図より，美女マネの記事は最もclick数の多い
ICの中でも，人気な記事であることが分かる。1番左の箱ひげ図は，左から2番目のMR-IC中で，美女
マネの記事のみを抽出して作った箱ひげ図である。このMR-ICの箱ひげと美女マネの箱ひげ図の上昇傾
向より，美女マネの記事は直前がMRである時にclick数が上がることが示すことができた。直前がMR
である時にIC，特に美女マネの記事のclick数が上昇した傾向として，図2.7より最もfollower増加に効
果的なMRをツイートすることによって増えたfollowerが，人気な記事である美女マネをretweetしや
すくなり，click数が増えたと考えられる。したがって，follower増加に効果的な記事でfollowerを増や
した直後に，最も人気な記事をツイートするrotation(IC,MT,ET,MoM,MR)が，clickの増加に最も効
第
4
章
今後の課題
今回の研究では，ツイートされた時点でのfollowerを考慮せずに，ツイートの内容と順番に順番によっ
て記事のclickがどのように変化するかを解析した。1ツイートあたりのclickが最大となるrotationを 算出することができたが，これは過去のツイートデータから計算により求めた値であり，実際に実験を
行って得られた値ではない。したがって，今回算出されたrotationで本当に1ツイートあたりのclickを
増やすことが可能であるのかを実証する必要がある。そのためには，ツイートのサンプル数が最も少な かったcategoryET の記事の執筆に努めなくてはならない。また，BeYonDと同様の活動を行い，高校 サッカーやプロのリーグの特集を行っている企業のアカウントも存在しているので，それらのツイートで
も同様に記事のツイートの順番によって記事のclickにどのように影響を及ぼしているのか検証していき
参考文献
[1] クレア・ディアス=オーティス『社会を動かす、世界を変える: 社会貢献したい人のためのツイッ
ターの上手な活用法』
[2] Gaiax (2018年1月9日)『【最新版】2017年11月更新！11のソーシャルメディア最新動向デー タまとめ』https://gaiax-socialmedialab.jp/post-30833/
[3] BeYonD(2018年1月9日) @BeYonD circle
[4] 福島達也『情報拡散しやすいツイート要素のモデル化とその実証』
[5] Twitter (2018年1月10日)『Twitter Analytics』https://analytics.twitter.com/ [6] 講談社・ゲキサカ(2018年1月16日) @gekisaka
