1．は じ め に
年末の紅白歌合戦に，AKB48 を見ない年はなくなっ た．AKB の「選抜総選挙」は地上波で放映され，メン バのグループからの卒業やスキャンダルがいちいち大き く報道されるなど，国民的アイドルとして多くの人から 認知されている．グループとしてのマーケティングやビ ジネスモデルに関してはさまざまな考察があるが [箕輪 13,さやわか 13]，多人数のメンバのダイナミズムを伴 いながら，その人気を維持し続けていることは，現象と して興味深い． アイドルグループや芸能人といった対象は，人々の日 常生活を彩るエンターテイメントの中でも，重要な地位 を占めると考えられるが，これまでデータ分析を行うこ とは難しかった．なぜなら，アイドルを好むとか芸能人 に憧れるといったことは，多分にプライベートな現象で あり，家族や友達といえども共有されることが少ないた め，観察することが難しい．これまで，例えば，アイド ルや芸能人の好感度調査などは長年行われてきたし，ま た，モーニング娘。や宝塚歌劇団 [大北 12] などの現象 を定性的に議論することは以前から行われてきた．しか し，そのダイナミズムを大量のデータをもとに分析した 例はこれまでにほとんどなかった． 一方で，近年のソーシャルメディアの普及に伴い，芸 能人やアイドルが Web 上でのファンに向けて情報を発 信したり，インタラクションすることも増えてきた．そ ういった情報の発信や，また，それに対するファンの反 応なども，データとして取得することが可能になってい る．このデータを分析することで，これまでにはわから なかったようなグループのロングテール構造 [植田 13, 山下 11] やダイナミズム [Ishii 13] を理解することがで きるようになってきた．こうした取組みは，人工知能の 技術が多くの人の身近なところに関連するという意味 で，多くの人にとって魅力的なのではないだろうか． 本解説では，事例としては女性アイドルグループの AKB48と Google の提供するソーシャルメディアである Google＋＊1を取り上げ，AKB48 のメンバ（以下ではメ ンバという）とそのファンのインタラクションを分析し た研究を紹介する．AKB48 は，毎年，「選抜総選挙」と 呼ばれる人気投票を行っており，人気の定量的評価が可 能である．さらに 200 人以上のほぼすべてのメンバが Google＋を利用しているため，データの取得がしやすく， 比較，分析がしやすい． 本解説では，まず AKB48 におけるソーシャルメディ ア上での支持者を定義し，その人数と実世界での人気投 票の結果との相関を示す．そして，競合するメンバ間で の支持者の獲得状況を俯瞰するために，メンバ間での支 持者の類似性を示すネットワーク，および支持者の遷移 を示すネットワークを構築し，可視化する．次に，支持 者の遷移を示すネットワークを，フローを表すネット ワークと捉え，このフローを最適化することにより，特 定のメンバへの支持を増やすような手法を提案すること ができることを示す． こうした事例を通じて，エンターテイメントにおける データ分析の可能性，および人工知能技術の活用の可能 性について何らかの参考になれば幸いである．なお，本 特集の解説記事のタイトルとして，半ば冗談でこのタイ トルをいただいたのだが，大変インパクトがあり，本解 説のタイトルとしてふさわしいため，このまま使わせてAI的 AKB48論
An AI Approach to Analyze AKB48
松尾 豊
東京大学大学院工学系研究科Yutaka Matsuo Graduate School of Engineering, The University of Tokyo. [email protected]
吉田 宏司
（同 上）Koji Yoshida [email protected]
榊 剛史
（同 上）Takeshi Sakaki [email protected]
Keywords:
AKB48, idol group, social media, social network analysis.「エンターテイメントにおける AI」
いただきたいと思う．
2．関 連 研 究
ソーシャルメディアに関する研究は，幅広い分野で行 われている．以下では，活用方法に関する研究，分析に 関する研究，選挙に関する研究の三つの点から関連研究 を紹介する． ソーシャルメディアの活用方法を研究している例とし て，Kaplan らはソーシャルメディアを social present/ media richness, self presentation/self disclosureの二つ の基準から 6 種類に分類し，その活用法を 10 個提案し た [Kaplan 10]．また，Kietzmann らは，ソーシャル メディアを identity, conversations, sharing, presence, relationships, reputation, groupから構成されるとするhoneycomb frameworkを提案し，企業はそれに基づい たソーシャルメディア戦略を立てるよう提案している [Kietzmann 11]．これらは，ソーシャルメディアをいか に企業戦略に活用するのかという視点からなされた研究 である． ソーシャルメディアを用いて実世界を観測する研究 は，2000 年代前半から blog や掲示板の分析という形で 活発に行われている．最近では，Twitter での地震検知 を例に，社会観測のためのセンサであると考えるソー シャルセンサという概念も提案されている [Sakaki 10, 榊 12]．Chakrabarti らは，アメリカンフットボールの 試合状況の要約を Twitter のつぶやきからリアルタイム に作成している [Chakrabarti 11]．また，ソーシャルメ ディアを用いた商品や人物に関する評判分析，世論の 観測の研究も多く行われている．Twitter のつぶやきを 用いて，映画の売上をリリース前に予測する研究 [Asur 10]や，株価を予測する研究 [Bollen 11]，商品やサービ スなどのブランドの評判や意見を抽出する研究 [Jansen 09]などである． 本解説では，Google＋のデータを用いた分析を紹介す るが，Google＋の分析はこれまであまり行われていない． 最近の Gonzalez らの研究では，Google＋ユーザのアク ティビティやネットワークの特徴について，Facebook と Twitter の二つと比較した分析を行っている．結果 として，Google＋のネットワークは，Facebook よりも Twitterに近いと述べている [Gonzalez 13]． 選挙予測の研究としては，Williams らは，Facebook における政治家の支持者の数が選挙結果の有効な指 標 で あ る こ と を 示 し た [Williams 08]．Tumasjan ら は，Twitter での政党名を含むつぶやき数を用いて，ド イツの国政選挙での各政党の得票数の予測を行ってい る [Tumasjan 10]．O’Connor らは，感情分析を用い て Twitter でのつぶやき数と従来の世論調査との相関に ついて分析している [O’Connor10]．政治の選挙に限ら ず，視聴者の投票によってアイドルの順位付けが決ま る American Idol という米国のテレビ番組の投票結果を Twitterのつぶやきから予測している研究もある [Fabio 12]．これらの研究と比較し，本研究では支持獲得まで 踏み込んでいるところが特徴的である． AKB48の研究としては，中村の研究が力強い．単に AKB48のコンサートに通っただけではなく，参与観察 という手段によって，AKB48 を取り巻く現象やその内 部の仕組みについて深い考察を行っている [中村 12]．こ うした定性的な考察はいくつか行われており，AKB48 のシステムとしての優秀さを論じている [箕輪 13, さや わか 13]．データ分析を行っているものとしては，[植 田 13, 山下 11] などがあり，AKB の人気においてロング テール構造があること（さらに，下位のメンバに理論値 よりもより人気があるファットテールであること），そ れが起こる理由となるファンから見た効用などについて 論じている．[Ishii 13] では，テレビやニュースでの露 出も含めて，SNS 上での人気のモデル化を行っている． AKBのダイナミクスをネットワークという観点から解 析したものはおそらく本稿が初めてであろう．
3．分析対象のデータとその概要
3･1 デ ー タ の 取 得 AKB48は，2005 年 12 月に結成された女性アイドル グループである．グループ名の「48」は 48 人のメンバ が所属していることを表す．現在では，姉妹グループ （SKE48, NMB48, HKT48）を含めると 200 人以上が在 籍しており，すべてのメンバがシングル CD 曲に参加す ることができなくなっている．そこで毎年一度，「選抜 総選挙」というファンの人気投票により，シングル CD 曲に参加するメンバを決めている．選抜総選挙は，総投 票数が 100 万票以上と大規模である．AKB48 は，従来 のアイドルと比べ，「ソーシャルメディアを中心とした ネット上のコミュニケーションに比重を置い」たアイド ルであるとされている [中村 12]． AKB48のメンバは，グループの方針で Google＋を使 用している．2011 年 12 月 8 日に AKB48 と姉妹グルー プのメンバが Google＋のプラットフォームを利用したメ ンバとファンとの交流サービス「AKB48 on Google＋」 を開始した．その月には，Google＋のトラフィックが 55％増加するなど，Google＋において AKB48 の活動は 重要な位置を占めている． Google＋とは，2011 年 6 月に Google によって開始さ れたソーシャルメディアである．サービス開始以降，ユー ザ数を順調に伸ばし，2012 年 12 月時点で，5 億人を達 成したとの報告がなされた．Google＋では，ユーザはテ キスト，URL，画像，動画，位置情報を投稿することが できる．投稿の閲覧ユーザは，投稿に対し，コメント， プラスワン，シェアの 3 種類の反応をすることができる． コメントは投稿に対して返信を書くことができる機能である．プラスワンは，プラスワンボタンをクリックする ことにより，投稿に対して好意的な感情を表現する機能 であり，Facebook の「いいね」に相当する．シェアは， 他ユーザの投稿を自分の投稿内で引用する機能であり， Twitterのリツイートに対応する． 本分析では，Google＋で 2011 年 12 月 8 日∼ 2012 年 6月 5 日に AKB48, SKE48, NMB48, HKT48 のメンバ 219人のすべての投稿と，それらについたプラスワン， コメント，シェアをデータセットとして用いる．各グルー プのメンバは新しく加入したり，脱退することがあるが， 本分析では，AKB48, SKE48, NMB48, HKT48 の公式 ホームページ＊2に 2012 年 8 月 30 日時点で掲載されて いたメンバを対象のメンバとした． データの取得は，利用規約＊3に則り Google＋の API を利用して，2012 年 8 月 30 日∼ 9 月 7 日に行った． 対象となるメンバ 219 人による期間内の合計投稿数 は 78 743 件，その投稿に寄せられた総コメント数は 15 863 144件，総プラスワン数は 19 702 058 件，総シェ ア数は 385 526 件である（なお，5・2 節で用いているデー タに関しては，2012 年 12 月 19 日∼ 12 月 24 日のデー タを追加で取得し，使用している）． 本稿では，コメント，プラスワン，シェアをまとめて， 反応と呼ぶ．ある投稿にコメントするか，プラスワンす るか，シェアするかは，程度の差はあれ，ユーザのメン バに対する強い興味を表していると考えるからである． また，ある Google＋ユーザに 1 回でも反応したことの あるユーザを，そのユーザのファンと呼ぶ．この定義は 必ずしも必然的なものではないが，多くの人は AKB48 の投稿に反応したことはないであろうから，AKB48 の 投稿に一度でも反応するということは一般的な人から比 べるとかなり興味をもっている度合いが高いと考え，こ のような定義とした．なお，ファンの総数（すなわち， いずれかのメンバに一度でも反応したことのあるユーザ 数）は 229 553 人である． 3･2 ファンの数に関する分析 本節では Google＋での支持の観測指標を定義し，実世 界での人気投票の結果との相関を調べる．あるメンバが たくさん投稿を行えば，その分，反応の総数は多くなる のは当然である．人気があるメンバと投稿が多いメンバ は異なっており，人気があるメンバは，一つの投稿に対 してたくさんの反応が集まる． したがって，あるメンバがユーザからどのくらい支持 されているかを，「一つの投稿当たりに反応したユーザ の異なり数」で測定し，投稿当たり平均ファン数と呼ぶ ことにする．この値と，実世界での人気投票（AKB48 27thシングル選抜総選挙）の結果との相関を示したも のが図 1 である．投稿当たり平均ファン数は，上位ほ ど大きくなっており，実世界での人気投票と相関がある ことがわかる．白抜きの点は，Google＋だけではなく， Twitterも利用している 13 人のメンバである． Twitter利用メンバの投稿当たり平均ファン数は，順 位が同程度の他メンバと比較すると小さくなっている． ファンが二つのソーシャルメディアに分散してしまって いることが原因として考えられる．人気投票の順位と平 均ファン数の相関係数は−0.683 であったが，Twitter 利用メンバを除くと−0.758 となった．複数のソーシャ ルメディアを利用しているメンバの影響により，実世界 での人気の指標と単一のソーシャルメディアでの人気の 指標との相関が弱くなっていることがわかる．Twitter を利用しているメンバは，対象メンバ 219 人中 13 人と 少なく，影響も小さいと考え，本稿では分析対象とし て Goolge＋のデータのみを利用した．複数のソーシャ ルメディアを利用するメンバが多くなる場合には，複数 のソーシャルメディアを含めた分析が必要になると考え る．投稿当たり平均ファン数が人気投票の順位と相関が あることはわかったが，ほかの指標はどうであろうか． 投稿当たり平均ファン数と同様の考え方で，1 投稿当た りの平均コメント数，平均プラスワン数，平均シェア数 を計測し，人気投票の順位と相関係数を示したものが表 1である．人気投票の順位との相関が最も大きい指標は， 投稿当たり平均ファン数であるが，平均プラスワン数も 同程度に相関が高い．つまり，コメントやシェアをする ヘビーなユーザよりも，プラスワンをするようなライト なユーザがどのくらいいるかが人気との関連が高いので はないかと推測することができる．そこで，次に，ユー ザがどのくらい熱心にメンバを支持しているかについて 分析する． 3･3 ファンの性質に関する分析 順位の上下に応じて，知名度や露出の多寡が変化し， それによってファンの質も変化するのではないだろう か．直感的には，人気のないメンバを支持するファンは， 図 1 投稿当たり平均ファン数と人気投票の順位 順 位〔位〕 投稿当 た り 平均 フ ァ ン 数 〔人〕 ＊2 それぞれ www.akb48.co.jp, www.ske48.co.jp, www. nmb48.com, www.hkt48.jp ＊3 https://developers.google.com/terms/, http:// research.google.com/university/translate/terms. html
4･1 ファンの類似に関する分析 二人のメンバのそれぞれファンの集合を考えたとき， この二つの集合の重なりが大きいほど，この二人は同じ ようなファンから支持されている（したがって何らかの 意味での類似性が背後にある）と考えられる．ここで は，集合の重なりを示す指標として一般的に用いられる Jaccard係数を使用する．Jaccard 係数は，二つの集合 X, Yに対し，和集合の要素数を｜X∪Y｜，積集合の要素 数を｜X∩Y｜としたとき，｜X∪Y｜ / ｜X∩Y｜で表される． Webから企業ネットワークの抽出や人間関係ネット ワークを抽出する研究でも，同様の指標が用いられてい る．メンバ m1と メンバ m2の類似度は，m1のファンの 集合 U1と，m2のファンの集合 U2の Jaccard 係数によっ て求める． 次に，この類似度をもとにネットワークを描画したも のを図 4 に示す．ノードは，人気投票の順位が公開され る 64 位以内のメンバと前田敦子とした．前田敦子は， 対象とした年の人気投票には参加していなかったため， 64位以内に入っていないが，その前年の人気投票で 1 位であったため，ファンの動向を知るうえでは重要と考 え，ノードに用いた．Jaccard 係数が 0.3 以上の場合に ノード間にエッジを張る．なお，各メンバのファン数が 多いほどノードは大きく描画されており，また共有する ファンの数が多いほどエッジは太く描画されている． 中央部から，上部にかけ，AKB48 のメンバ，左下部 に SKE48 のメンバ，右下部に NMB48 のメンバが固 まっており，各グループ内でファンの類似度が大きいこ とがわかる．また，各グループをつなげる松井玲奈や山 本 彩といったメンバの存在も確認できる．これらのメン バは，地方の派生グループに所属していながら，本体の AKB48のシングル CD に参加しており，より人気の高 いグループと低いグループとのファンの橋渡しをする役 わざわざ人気のないメンバを支持しているわけであるか ら，より熱心に支持しているのではないかと考えられる． こうしたファンは，おそらく，数多くの AKB48 のメン バを知ったうえで，特定のメンバを支持しているわけで あるから，どのくらい多くのメンバに反応したことがあ るかを，AKB48 ファンとしての熱心度と考える． そこで，ここでは AKB48 ファンとしての熱心度を， 「反応したことのあるメンバの合計数」と定義する．す なわち，一人のメンバのみに反応しているファンは熱心 度 1 であり，n 人のメンバに反応しているファンは熱心 度 n とする．各メンバのファンに占める，熱心度 1, 2 ∼ 9, 10以上のファンの比率を図 2 に示す．順位が下がる につれ，熱心度が 10 以上のファンの割合のみ増加して いる．下位メンバのファンは，上位メンバのファンに比 べ，その他大勢のメンバのファンでもある確率が大きい ことがわかる．このことにより，人気の低いメンバのファ ンであるということは，それほど AKB48 の熱心なファ ンであるということが示唆される． 一方，メンバがどれくらい熱狂的に支持されているか を調べるために，熱心度 1 のファンの割合に注目する． この値が高いということは，そのメンバ「だけ」を支持 しているファンが多いということである．順位が低くな ると，当然この値は低くなるが，際立って高いのは 4 位 の指原莉乃である．また，35 位の松村香織（SKE48） も周辺の順位のメンバよりも強く支持されていることが 読み取れる．指原や松村は，広く薄く支持されるという よりは，興味がある人には絶対的に支持されているメン バであると考えられる．
4．AKB48 メンバのネットワーク分析
前章までの基本的な分析を踏まえ，本章ではメンバが どのくらい同じファンを共有しているかという観点から メンバ間の類似度を定義し，ネットワークとして描画す る（図 3）．各メンバにとって，自分のファンは，どの メンバと類似しているのかを認識することは，支持獲得 戦略を考えるうえで重要である． 図 2 熱心度から見た各メンバのファンの構成比率と人気 投票の順位の関係 順 位〔位〕 割 合〔％〕 図 3 メンバ間のファンの類似ネットワーク慮するために（メンバ m2のファンになった後は，メン バ m3のファンになりやすい，などの特徴を考慮するた めに），メンバ m1からメンバ m3の間のファンの遷移は 考えないこととした． また，同一メンバに複数回反応している場合は，メン バごとに最初の反応を用いて，ファンの遷移を考える． 例えば，図 5 では，メンバ m1への反応日は 3 月 23 日， メンバ m2への反応日は 4 月 4 日，メンバ m3への反応 日は 4 月 23 日として，メンバ m1からメンバ m2にファ ンが一人遷移し，メンバ m2からメンバ m3にファンが 一人遷移したと考える． なお，投稿時間の差が 24 時間以内の二人のメンバの 投稿に反応した場合は，それらの間での遷移は考えない ものとする．例えば，図 6 では，メンバ m1からメンバ m3に一人のファンが遷移し，メンバ m2からメンバ m3 にファンが遷移したと考える．メンバ m1とメンバ m2 の間のファンの遷移は考えない． ここで 24 時間という差に注目したのは下記の理由か らである．2012 年 12 月 19 日の全メンバの投稿に対し て，1 時間ごとに API にアクセスすることによって，投 稿後の経過時間と，投稿に反応したファンの累積数の関 係を調べた（図 7）．結果が図 8 である．ここで，投稿 から 100 時間以内に反応したファンの総数を 100％とし， 各経過時間までに，そのうちの何％のファンが反応した のかを表している．図 7 からわかるように，投稿後 12 時間以内に反応した累計のファン数は 90.6％，24 時間 以内に反応した累計のファン数は 97.0％となっている． 投稿から 24 時間以上経過した後の反応は少ない．なお， 投稿に対する反応が，投稿後から約 1 日以内に集中し， その後はほとんど行われないという傾向は，Twitter や Digg＊4など他のソーシャルメディアでも確認されてい 割を果たしている． より小さい単位にメンバを分けた場合にファンの類似 度がどうなるかについて調べる．各グループは 2 ∼ 3 個 のチームから構成されている．メンバごとに，同チーム のメンバとの類似度の平均値と，別チームのメンバとの 類似度の平均値をそれぞれ算出する．同チームのメンバ との類似度のほうが大きかったメンバは 30 人で，別チー ムのメンバとの類似度のほうが大きかったメンバは 16 人であった．χ2検定により，同チームのメンバ間で，ファ ンが類似しやすいということが有意水準 5％で認められ た．同期のメンバと異期のメンバで同様の検定を行った． 同期のメンバとの類似度の平均値のほうが大きかったメ ンバは 35 人で，異期のメンバとの類似度の平均値のほ うが大きかったメンバは 9 人であった．χ2検定により， 同期のメンバ間でファンが類似しやすいということが有 意水準 1％で認められた． 同グループ，同チーム，同期の三つに共通する特徴と して，ファンから見たときにメンバがメディア上で同じ 場面で出てくることが多い，したがって，それがファン の重なりをもたらしているのではないかと考えられる． こうした考察は，[植田 13] で議論されているチームの 効果とも一致する． 4･2 ファンの遷移に関する分析 次に，ファンの重なりだけではなく，その時系列的な 変化を考える．ユーザがあるメンバ m1と m2両者のファ ンであるとしたときに，メンバ m1の投稿への反応が先 か，メンバ m2の投稿への反応が先かで，ファンになっ たメンバの順番について分析できるのではないかという のが基本的なアイディアである． より具体的には，図 4 でファン u1が 3 月 23 日にメン バ m1の投稿に反応し，メンバ m2の投稿に 4 月 4 日に 反応し，メンバ m3の投稿に 4 月 23 日に反応したとす る．このとき，ファン u1がファンとなったメンバの順 番は m1→ m2→ m3とし，メンバ m1からメンバ m2にファ ンが一人遷移し，メンバ m2からメンバ m3にファンが 一人遷移したと考える．ファン u1はメンバ m2に反応し た後も，メンバ m1のファンをやめるわけではなく，メ ンバ m1とメンバ m2両者のファンであるため，メンバ m1からメンバ m3にもファンが遷移したと考えることも 可能である．しかし，ファンとなったメンバの順番を考 図 4 ファンの遷移の例 1 図 5 ファンの遷移の例 2 図 6 ファンの遷移の例 3 ＊4 http://digg.com/
る現象である [Lerman 10]． 各メンバは平均で 1 日 2 回以上 Google＋に投稿して いること，投稿時間の差が 24 時間以内の投稿への反応 についてはファンの遷移を考えないことから，メンバの 投稿時間の違いがファンの反応順番に与える影響は無視 できるとした． 以上のようなファンの遷移を，すべてのファンに関し て集計し，各メンバ間で合計何人のファンが遷移したの かを算出する．メンバをノード，メンバ間で遷移したファ ンを有向エッジとし，メンバ間のファンの遷移を表す ネットワークを構築する（以下，ファンの遷移ネットワー クと呼ぶ）．グループ内でファンの類似度が高くなると いう前節の分析結果から，ここでは AKB48 のメンバ 46 人のみをノードとし，各メンバのファンの遷移元上位 3 メンバから張られるエッジのみ可視化する． 結果を図 8 に示す．篠田麻里子や指原莉乃など，ファ ンの数の大きいメンバは出次数も大きくなっている．す なわち，これらのメンバはファンの数は大きいが，その 分，他メンバにもファンを遷移させており，多くのファ ンがそのメンバを通し，行き来していることがわかる． 一方，ファンの数が大きいにもかかわらず，出次数が 0 のメンバ（柏木由紀）の存在も確認できる．データ取得 期間において新しく柏木由紀のファンになったユーザ は，他に移行する傾向が弱く，柏木は強い人気があった のではないかと推測できる．
5．ネットワークに基づく支持獲得戦略
AKB48のあるメンバがファンを獲得する際には， AKB48の他メンバのファンを自らのファンとして取り 込む戦略と，AKB48 のファンではない人を自らのファ ンとして取り込む戦略が考えられる．AKB48 グループ 全体として，もしくは AKB48 を代表するような人気メ ンバにとっては，後者，つまり AKB48 のファンでない 人をファンにすることは重要であるが，その他大勢のメ ンバにとっては前者のほうが重要であり．例えそれが他 のメンバのファンを奪うことになっても，いかに自らの ファンを増やすかが重要な関心事項である（選挙が相対 的なものである以上は，これは本質的な性質である）． その際に，個々のメンバが取れるネットワークに関す る戦略としては，どのメンバとの露出を増やすかである． つまり，ネットワークにおいて，自分を表すノードとど のノードのエッジを太くすることで，自分に流れ込むフ ローを増やせるのかという問題と捉えることができる． ここでは，前節で構築したファンの遷移ネットワー クを用い，与えられたノード m に対し，ノード m と他 のノードとのエッジの重みを変化させることで，ファン の滞留状況を計算し，どのノードとのエッジの重みを増 加させればよいかを導きだす．ファンの滞留状況を計算 するには，遷移行列をもとに定常状態での確率分布を求 める手法として一般的に用いられるページランクを用い る． ページランクはノードの重要さを計測する指標であ り，Web 上でユーザがリンクを等確率で選択し，他ペー ジに遷移していくと仮定した場合の各 Web ページの滞 在確率を表している [Brin 98]．支持者の遷移ネットワー クにおいて，ページランクが高いユーザは，支持者を獲 得する確率が高く，逆にページランクの低いユーザは， 支持者を獲得する確率が低い．支持者の遷移ネットワー クにおいて，ページランクの向上を目指すということは， 支持者を獲得する確率を増加させることを意味する． なお，提案手法では，エッジの重みとして，メンバ間 で遷移した支持者の数を，支持者の遷移元の総支持者数 で正規化した値を置いている．支持者の遷移ネットワー クにおいて，ページランクを算出する際に，ノード間の 遷移の確率を等確率ではなく，エッジの重みに比例する よう変更を加えた．メンバ m（ j＝1, 2, …, N）からメj ンバ m（i＝1, 2, …, N）に張られるエッジの重み w（mi j, mi）は，メンバ mjからメンバ miへ遷移したファンの数 図 7 投稿からの経過時間と反応したファンの累計数 経過時間〔時間〕 投稿 に 反応 し た フ ァ ン の 累積数 の 割合 〔 ％ 〕 図 8 AKB48 のメンバ間のファンの遷移ネットワークL（mj, mi）をメンバ mjのファンの数 N（mj）で割ったも のとする．メンバ miのページランク WPR（mi）は，N をメンバ数，d をダンピングファクタとすると，以下で 表せる． （ ）= 1 − + , ＊ （ ） ∈（ ） （ ） =（ , ） （ ） , （ ） 提案手法はシンプルであり，与えられたノード miに 対して，任意のノード mjから張られるエッジの重みが x倍になったと考え，ノード mjのスコア fx（mj）を以下 のように考える．WPR（mi｜w（mj, mi），x）は，このときの ノード miのページランクを表す． fx（mj）＝ WPR（mi｜w（mj, mi），x） 実際には，このスコア順にノードをソートし，上位か ら関係性を強めるのが望ましいメンバと捉えることがで きる． 小林香菜を例として，他メンバから張られるエッジの 重みを x（>1）倍した場合の小林香菜のページランクを 算出する．x は 1.1 から 4.0 まで 0.1 刻みで変化させた． 結果として，小林香菜のページランク増加効果の上位 5 メンバのリストは x によって変化せず，表 2 に示したメ ンバで固定されていた．また，小林香菜に多くのファン を遷移させているメンバのうち，ファン遷移先として小 林香菜が上位にきているメンバが，ページランク増加効 果も大きくなる傾向があった． 紙数の都合により，評価実験については記すことがで きないが，提案手法は，ソーシャルメディアにおけるファ ンの動きを用いているため，芸能界関係者では気付かな いが，実際のファンから見ると，評価が高い結果をつく ることができたと考えられる．ソーシャルメディアで ファンの観測可能性が高まるとともに，詳細な観測が可 能となったことが大きい．特に，ファンの遷移という今 までは観測が困難であったデータを用いた効果が大きい と考えられる．ファンの行動ログを用いることによって， 関係者だけでは気付かない，ファンの視点を取り入れた 戦略を立案できる可能性を示唆している．
6．お わ り に
本稿では，エンターテイメントと人工知能の関わりの なかで，特にアイドルグループに焦点を当て，AKB48 のメンバとファンの Google＋上でのインタラクションを 取り上げ，分析を行った．ファンの数の分布や，ファン のアクションと選挙の順位の相関を示し，また，ファン の重なり度合いによるネットワーク図を図示した．さら にこのネットワーク図を，ユーザの遷移を表すものとし て捉えることで，ファンを増やすための戦略にも用いる ことのできる可能性があることを示した． ここであげた事例は，AKB48 に関してだけであるが， さまざまな形でアイドルや芸能人とファンとのインタラ クションを分析できるようになっている．より抽象化す ると，アイドルや芸能人に限らず，支持の獲得を目的と した場合のデータ分析の活用の可能性を示すものである と考えられ，こうした方向性は，将来的には，支持者獲 得を目指す著名人や政治家だけではなく，企業のロイヤ ルカスタマー，大学の支援者（父兄や OB），また研究の スポンサーや支持者の獲得などにとっても重要かもしれ ない．◇ 参 考 文 献 ◇
[Andranik 10] Andranik, T., Timm, O. S., Philipp, G. S. and Isabell, M. W.: Predicting elections with twitter: What 140 characters reveal about political sentiment, Proc. ICWSM, pp.178-185（2010）
[Asur 10] Asur, S. and Huberman, B. A.: Predicting the future with social media, Proc. Computing, Vol. 1, No. 1, pp. 492-499 （2010）
[Bollen 11] Bollen, J., Mao, H. and Zeng, X.-J.: Twitter mood predicts the stock market, J. Computational Science, Vol. 2, No. 1, pp. 1-8（2011）
[Brin 98] Brin, S. and Page, L.: The anatomy of a large-scale hypertextual web search engine, Proc. WWW, pp.107-117 （1998）
[Chakrabarti 11] Chakrabarti, D. and Punera, K.: Event summarization using tweets, Proc. ICWSM, pp. 66-73（2011） [Fabio 12] Fabio, C., Delia, M., Andrea, B., Bruno, G., Nicola, P.
and Alessandro, V.: Beating the news using social media: The case study of american idol, EPJ Data Science（2012） [Gonzalez 13] Gonzalez, R., Cuevas, R., Motamedi, R., Rejaie, R.
and Cuevas, A.: Google＋or Google−?: Dissecting the evolution of the new OSN in its first year, Proc. WWW, pp. 483-494 （2013）
[Ishii 13] Ishii, A., Ota, S., Koguchi, H. and Uchiyama, K.: Quantitative analysis of social popularity of entertainments using mathematical model for hit phenomena for japanese pop girl group AKB48, Proc. Int. Conf. on Biometrics and Kansei
Engineering, pp. 143-147（2013）
[Jansen 09] Jansen, B. J., Zhang, M., Sobel, K. and Chowdury, A.: Twitter power: Tweets as electronic word of mouth, J.
American Society for Information Science, Vol. 60, No. 11, pp.
2169-2188（2009）
[Kaplan 10] Kaplan, A. M. and Haenlein, M.: Users of the world, unite! The challenges and opportunities of social media,
Business Horizons, Vol. 53, No. 1, pp. 59-68（2010）
[Kietzmann 11] Kietzmann, J. H., Hermkens, K., McCarthy, I. P. 表 2 小林香菜のページランク増加効果の高い 上位 5 メンバ 順位 メンバ名 1位 増田 有華 2位 仲川 遥香 3位 倉持明日香 4位 梅田 彩佳 5位 石田 晴香
and Silvestre, B. S.: Social media? Get serious! Understanding the functional building blocks of social media, Business
Horizons, Vol. 54, No. 3, pp. 241-251（2011）
[Lerman 10] Lerman, K. and Ghosh, R.: Information contagion: An empirical study of the spread of news on digg and twitter social networks, Proc. ICWSM, pp. 90-97（2010）
[中村 12] 中村唯信：現代アイドル論における AKB48, 東京大学修 士学位論文（2012）
[箕輪 13] 箕輪雅美：モーニング娘。と AKB48 のビジネスシステム ：その生成プロセスと新奇性・競争優位性，京都マネジメント・
レビュー， Vol. 22, pp. 43-63（2013）
[O’Connor 10] O’Connor, B., Balasubramanyan, R., Routledge, B. R. and Smith, N. A.: From tweets to polls: Linking text sentiment to public opinion time series, Proc. ICWSM（2010） [大北 12] 大北はるか，水野 萌：エンターテインメント産業にお ける価値共創のプロセス─宝塚歌劇団と AKB48 の事例─，早 稲田大学卒業論文（2012）
[Sakaki 10] Sakaki, T., Okazaki, M. and Matsuo, Y.: Earthquake shakes twitter users: Real-time event detection by social sensors, Proc. WWW, pp. 851-860（2010） [榊 12] 榊 剛史，松尾 豊 : ソーシャルセンサとしての twitter: ソー シャルセンサは物理センサを凌駕するか？，人工知能学会誌， Vol. 27, No. 1, pp. 67-74（2012） [さやわか 13] さやわか：AKB 商法とは何だったのか，大洋図書 （2013） [植田 13] 植田康孝：AKB48 選抜総選挙におけるロングテール構 造とメディア選択，江戸川大学紀要，Vol. 23, pp. 91-114（2013） [Williams 08] Williams, C. B. and Gulati, G. J.: What is a
social network worth? Facebook and vote share in the 2008 presidential primaries, Proc. APSA（2008）
[山下 11] 山下紘史，服部哲弥：ロングテール構造の時間変化の分 析，慶應義塾大学経済学部研究プロジェクト（2011） 2014年 11 月 20 日 受理
