0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@tik_algorithm_tok

【アルゴリズム解析】TikTokのフォロワー買うとバレるのか？「おすすめ」レコメンドシステムと『0再生』の数理モデル

0
Posted at

はじめに：コンテンツグラフにおける「フォロワー数」の意味

TikTokのアルゴリズムは、InstagramやX（旧Twitter）のような「フォローしている人の投稿を見る（ソーシャルグラフ）」ことよりも、「ユーザーが興味を持ちそうな動画を推奨する（コンテンツグラフ）」ことに特化しています。

そのため、TikTokにおいてフォロワーを購入するという行為は、他のSNSとは全く異なる技術的リスク、すなわち「おすすめフィード（For You Feed）からの除外（いわゆるシャドウバン）」を招く可能性が高くなります。

本記事では、TikTokのレコメンドエンジンの仕組みを数理的にモデル化し、なぜ質の低いフォロワーがアカウントの評価スコア（Authority Score）を破壊するのかをエンジニアリングの視点から解説します。

1. TikTokレコメンドエンジンの「スコアリング」プロセス

TikTokの動画がバズる（拡散される）プロセスは、多段階のトラフィックプールによって管理されています。

投稿された動画はまず、少数のユーザー（初期プール：200〜500人程度）に配信され、そこでのパフォーマンスに基づいてスコアリングされます。

1.1. パフォーマンス評価関数

動画の評価スコア $S$ は、以下のような加重平均モデルで近似できると考えられています。

$$
S = w_1 \cdot R_{comp} + w_2 \cdot T_{watch} + w_3 \cdot I_{share} + w_4 \cdot I_{comment} + w_5 \cdot I_{like}
$$

ここで、各変数は以下の指標を表します。

  • $R_{comp}$：完全視聴率 (Completion Rate) ※最重要
  • $T_{watch}$：総再生時間 / 平均視聴維持率
  • $I_{share}, I_{comment}, I_{like}$：シェア、コメント、いいね数
  • $w_n$：各指標の重み（$w_1, w_2$ が特に大きいとされる）

ボットフォロワーによるスコアの毀損

SNS忍者などの一部の販売サイトを除き、ほとんどのサイトではボットフォロワーが増加します。そこで、初期プールにボットフォロワーが含まれた場合、彼らは「動画を見ずにいいねを押す」あるいは「即座にスクロールする」という挙動を取ります。

これにより、$I_{like}$（いいね）は増えても、最も重み付けが大きい $R_{comp}$（完全視聴率）と $T_{watch}$（視聴時間）が極端に低下します。
結果として、総合スコア $S$ が閾値を下回り、次のトラフィックプールへの拡散が停止します。これが「0再生」の正体です。

2. 視聴維持率データの異常検知シミュレーション

正常なユーザーとボットユーザーでは、「視聴維持率曲線」に明確な違いが現れます。これをPythonを用いてシミュレーションし、異常を検知するコード例を示します。

2.1. 視聴行動のヒートマップ分析

import numpy as np
import matplotlib.pyplot as plt

def generate_watch_data(users, video_duration, is_bot=False):
    """
    ユーザーの視聴時間をシミュレーションする関数
    """
    if is_bot:
        # ボット: 0秒〜1秒で離脱、あるいはAPI経由で視聴時間0
        return np.random.exponential(scale=0.5, size=users)
    else:
        # 人間: コンテンツの質によるが、ある程度分散して視聴する
        # 正規分布を中心としつつ、完全視聴する層も一定数存在
        watches = np.random.normal(loc=video_duration * 0.4, scale=video_duration * 0.2, size=users)
        return np.clip(watches, 0, video_duration)

# パラメータ設定
VIDEO_LEN = 15.0 # 15秒動画
NUM_USERS = 1000

# データの生成
organic_watches = generate_watch_data(NUM_USERS, VIDEO_LEN, is_bot=False)
bot_watches = generate_watch_data(NUM_USERS, VIDEO_LEN, is_bot=True)

# 完了率（Completion Rate）の計算
def calculate_completion_rate(data, duration):
    # 90%以上再生したユーザーの割合
    completed = np.sum(data >= duration * 0.9)
    return completed / len(data)

print(f"Organic Completion Rate: {calculate_completion_rate(organic_watches, VIDEO_LEN):.2%}")
print(f"Bot Completion Rate: {calculate_completion_rate(bot_watches, VIDEO_LEN):.2%}")

# Output Example:
# Organic Completion Rate: 12.50%
# Bot Completion Rate: 0.00% <-- ここがアルゴリズムに検知される

このように、ボットが混入すると完了率が著しく低下し、TikTokのAIは「この動画は価値がない（つまらない）」と判断し、レコメンドを停止します。

3. 「トラフィックソース」による購入の露見

TikTokの分析画面（インサイト）では、視聴者がどこから来たか（Traffic Source）を確認できます。

  • For You（おすすめ）: 90%以上が理想（バズっている状態）
  • Personal Profile（プロフィール）: フォロワーからの流入
  • Following（フォロー中）: フォロワーからの流入

3.1. 不自然なトラフィック比率

フォロワーを購入した場合、外部のツールやスクリプトが「プロフィールページ」に直接アクセスしてフォローやいいねを行うケースが多く見られます。

もし、数千回の再生があるにもかかわらず、トラフィックソースの 「For You」比率が 1% 未満 で、「Profile」からの流入が異常に高い場合、それはアルゴリズムによる拡散ではなく、人為的なアクセス（購入）であることの技術的な証明となります。

4. アカウントのリスク管理とAPI制限への対応

TikTokは、不正な自動化操作（Automation）に対して非常に厳しいAPI制限とデバイスフィンガープリント対策を講じています。

4.1. "Zero Views"（シャドウバン）の回避

購入フォロワーによって「エンゲージメントの質」が汚染されたアカウントを救済するためには、アルゴリズムに対して「正常な視聴データ」を再学習させる必要があります。

技術的には以下のプロセスが必要です。

  1. 異常値の除外（Cleaning）:
    視聴時間が極端に短い、またはユーザーエージェントが疑わしいフォロワーを特定し、ブロックまたは削除する。
  2. 高維持率シグナルの注入:
    動画を最後まで視聴し、適切に反応する「高品質なユーザー」からのインタラクション比率を高める。

4.2. 推奨される運用アーキテクチャ

外部サービスを利用して初期ブーストを行う場合でも、TikTokのアルゴリズム特性上、単なる「フォロワー数」の増加は無意味どころか有害です。

重要なのは、「視聴完了」と「再視聴」というシグナルを伴うフォロワーであるかどうかです。

# アカウント健全性スコアの簡易判定ロジック
def assess_account_health(follower_count, avg_views, avg_completion_rate):
    """
    フォロワー数と再生パフォーマンスから健全性を判定
    """
    # フォロワー転換率（再生数 / フォロワー数）
    # TikTokはフォロワーがいなくても再生されるが、フォロワーがいるのに再生されないのは異常
    conversion_ratio = avg_views / follower_count if follower_count > 0 else 0
    
    if follower_count > 1000 and conversion_ratio < 0.05:
        return "Critical Warning: Potential Shadowban (Low Reach)"
    elif avg_completion_rate < 0.05: # 5%未満の維持率は致命的
        return "Warning: Low Quality Engagement (Bot Traffic suspected)"
    else:
        return "Healthy"

まとめ：TikTok攻略の本質は「維持率」のエンジニアリング

TikTokにおいて「フォロワーを買うとバレる」最大の要因は、第三者の目視よりも、アルゴリズムによる冷徹な数値評価にあります。

Instagramのように「見かけの数字」が権威性として機能する側面もありますが、TikTokにおいては**「動画が見られない（おすすめに乗らない）」ことが最大のリスク**となります。

したがって、マーケティング施策として外部リソースを導入する際は、単なる $N$（フォロワー数）の最大化ではなく、$\frac{dT}{dt}$（時間あたりの視聴維持率）を損なわない、アルゴリズムフレンドリーな高品質リソースの選定が、エンジニアリングの観点から不可欠です。

【技術キーワード】 レコメンドアルゴリズム、協調フィルタリング、視聴維持率、コールドスタート問題、トラフィックソース解析、デバイスフィンガープリント

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?