作者：李劭竑、李彥賢、楊淯程
直播是近年來興起的串流技術，不像傳統的電視媒體轉播，需要專門的技術及較高的進入障礙，串流直播其優點是平易近人，搭配直播串流的網站平台，任何人都可以輕鬆建立自己的頻道，進行直播服務，而這樣的直播應用相當廣泛，可以用在商品行銷、遊戲、教學等。這些年來，一個個的直播平台也如雨後春筍般出現，也帶來各種新興的直播商業模式。然而在這些平台上直播頻道的經營，多半取決於直播實況主與觀眾之間的互動關係，例如像是訂閱人數的多寡，觀眾抖內(Donate)贊助金額及商品服務購買等，而這其中以訂閱人數的多寡，與直播頻道的經營，有著直接的影響關係，因此本研究旨在探討實況主與觀眾間的互動，並針對一般訪客觀眾，探索其是否有意願成為該直播頻道的訂閱戶，並進而付費給實況主與平台。
本論文採用遊戲直播來作為研究背景，遊戲直播已成為現今最受歡迎與最具影響力的線上娛樂之一，以全球最大的遊戲直播平台Twitch來說，目前已累積超過一億名的用戶，活躍的觀眾人數也有5,000萬以上，以及100多萬名的活躍直播主，每個月的訪客人數也超過一億人。許多大型、知名的電競比賽，如英雄聯盟世界大賽(League of Legends World Championship Series)及絕地求生全球錦標賽(PUBG Global Championship，PGC)等，也會在Twitch平台上現場轉播，這些足以見得遊戲直播平台的影響力；而研究對象則選擇實況主「Godjj」，其所經營的實況頻道已累計超過一億觀看人數，觀看人數時常位居前三名，在台灣屬於具代表性的遊戲實況主。
全球最大的遊戲直播平台Twitch（圖來自：Getty Images）
為探討直播頻道經營與觀眾訂閱之間的互動，在此則利用API與網絡爬蟲，針對Godjj所經營的實況頻道，分別從Twitch平台與Twitch Stats (https://twitchstats.net/)網站，收集2017年1月至2017年12月一整年資料，並結合文字挖掘(Text Mining)技術，來分析觀看者在直播聊天室的行為，像是觀看者的個人簡介(Bio)、帳戶創立時間、訊息通知(Notification)、訂閱時間等，以及觀眾在聊天室相關留下的訊息，像是發言頻率、聊天室指令
(Instruction)使用頻率、表情符號(Emoji)使用頻率、標注(Tag)與被標注(Tagged)次數、聊天室留言的正負向情緒分數等。接著將收集而來的資料，運用常見的監督式機器學習方法，如邏輯式回歸(Logistic Regression)、支持向量機(Support Vector Machine)、決策樹(Decision Tree)與隨機森林(Random Forest)等，訓練與建構預測分析模式。
預測分析結果顯示如圖1與圖2所示，預測模型的效能分別由準確率(Accuracy)與F1 Score來衡量。準確率用來評估所有預測正確的占總比重，而F1 Score則是精確率(Precision)與召回率(Recall)的綜合權衡，精確率是指所有預測為即將訂閱的觀看者，而最後實際訂閱的比重，而召回率則是在已知訂閱觀眾中，有哪些是預測正確的。最後研究結果發現，觀察時間的長短，也會影響預測的準確度，如觀察一天與觀察兩個月來作訂閱預測，即有顯著差異，這可能是觀察時間過長，導致雜訊過多以致預測失準所致，而短時間如一天兩天的觀察，即可以作出準確的預測判定，像是決策樹、隨機森林、邏輯式回歸皆有七成以上的準確率。而本研究同時也發現，幾項指標對於訂閱直播主有著明顯影響，像是開啟直播通知、觀看者追隨直播主的數量，以及觀看者在聊天室的負面情緒等，這些發現與成果，可供平台與直播主，未來在頻道經營與觀眾互動上的建議與參考。
圖1. 預測模型準確率分析
圖2. 預測模型F1 Score分析