如何识别头部创作者与爆款视频:tiktok-5.6B-videos创作者分析完整指南
如何识别头部创作者与爆款视频:tiktok-5.6B-videos创作者分析完整指南
tiktok-5.6B-videos 是一个收录了 56 亿条 TikTok 视频全量元数据的开源数据集,覆盖 2014 年 7 月至 2026 年 10 月的每一个月。如果你想知道"谁是头部创作者"、"什么样的视频才能成为爆款",这个数据集就是目前最全的原料库:每条视频都带有播放量、点赞、评论、分享、收藏、下载量以及现成计算好的 engagement_rate(互动率)字段,让你无需爬取即可直接做创作者分析与爆款归因。
数据集全貌:56 亿条视频如何组织
整个仓库结构非常简洁,核心就是 README.md 和按月分区的 data/ 目录:
| 项目 | 说明 |
|---|---|
| 数据总量 | 约 56 亿条 TikTok 视频 / 图文 |
| 时间跨度 | 2014-07 ~ 2026-10,共 148 个月度文件 |
| 存储格式 | Parquet(列式存储,适合大数据引擎读取) |
| 文件命名 | 年份-月份.parquet,如 data/2024-06.parquet |
| 授权协议 | CC BY-NC 4.0,仅限研究与个人用途 |
每月的数据存放在一个独立的 Parquet 文件中,例如:
- data/2014-07.parquet —— 数据集最早的一个月
- data/2023-05.parquet —— 短视频爆发期样本
- data/2026-10.parquet —— 最新一个月的数据
💡 小贴士:Parquet 是列式格式,只读取你需要的几列(比如只取
video_id、views、likes),IO 成本远低于 CSV,非常适合分析这种超大规模数据集。
识别爆款视频:7 个核心指标字段
每条视频记录中都内置了完整的互动指标,这是判断"爆款"的直接依据。以下是分析爆款视频时最常用的字段:
| 字段 | 类型 | 在爆款分析中的作用 |
|---|---|---|
views |
UInt64 | 播放量,爆款的第一门槛 |
likes / comments |
UInt64 | 点赞、评论,衡量内容共鸣度 |
shares / saves |
UInt64 | 分享、收藏,衡量"传播价值"与"实用价值" |
downloads |
UInt64 | 下载量,反映内容的长期价值 |
engagement_rate |
Float32 | 互动率 = (likes+comments+shares+saves) / views |
stats_updated_at |
DateTime | 互动数据的统计时点,保证口径一致 |
爆款视频的三个识别思路
1️⃣ 播放量门槛
先用 views 做粗筛。同一时期内,播放量超过 90% 分位数的视频才算有"爆款潜力"。由于数据集按月分区,你可以直接对比 data/2022-12.parquet 与 data/2025-12.parquet 的同月分位数,观察爆款门槛的年度抬升。
2️⃣ 互动率质量校验
高播放 ≠ 爆款。engagement_rate 才是内容质量的标尺:播放 5000 万、互动率 8% 的视频,内容质量远高于播放 2 亿、互动率 1% 的视频。用 engagement_rate 二次过滤,能剔除大量靠买量或流量池推起来的"假爆款"。
3️⃣ 分享/收藏比看传播力
shares / (likes + comments) 高的视频往往具备"社交货币"属性——用户愿意把它发给朋友或收藏备用。这是预测视频生命周期长度的关键信号。
识别头部创作者:从 mentions 到商业化信号
数据集本身以"视频"为粒度,但通过以下字段可以重建创作者维度:
1️⃣ 用 mentions 还原创作者作品列表
mentions 是一个 UInt64 数组,记录了视频提及的创作者 ID(creator_id)。结合 video_id(可通过 tiktok.com/@_/video/{video_id} 定位),按 creator_id 聚合即可得到:
- 发布量:创作者的总视频数
- 平均播放量 / 平均互动率:判断账号体量
- 爆款率:
views超过自身均值 10 倍的视频占比——这才是区分"头部"与"大号"的核心指标
2️⃣ 用商业化字段识别"变现型"头部
不是所有大账号都在商业化运营。以下字段能帮你筛出真正参与商业生态的创作者:
| 字段 | 取值 | 含义 |
|---|---|---|
is_ad |
0 / 1 | 是否为 Spark Ads 广告视频 |
branded_content |
paid_partnership / shop_affiliate / 空 |
付费合作或带货联盟内容 |
is_shop_video / product_id / seller_id |
UInt8 / UInt64 | TikTok Shop 电商视频及关联商品 |
🎯 实用结论:
branded_content = paid_partnership的视频比例,常被用作"品牌青睐度"指标——品牌愿意付费的内容方向,往往就是下一个爆款题材池。
3️⃣ 用内容特征定位"内容型"头部
hashtags/hashtag_ids:一对平行小写数组,统计创作者的标签使用习惯,可快速归纳其内容赛道on_screen_text:视频中的文字贴纸内容,反映封面标题策略is_ai_generated:AI 生成标记(null 表示 TikTok 未声明),可用于分析 AI 内容占比趋势not_recommended_for_fyp:被 TikTok 移出"For You"推荐池的视频,头部创作者分析时建议排除这类异常样本
一份可落地的分析路径
- 选时间窗口:按
年份-月份.parquet的命名规则,选择目标月份的文件(例如近 6 个月做趋势分析) - 爆款筛选:
views分位数粗筛 →engagement_rate质量校验 →shares/saves传播力加权 - 创作者聚合:按
mentions中的 creator_id 分组,计算发布量、均值、爆款率 - 商业信号叠加:
is_ad+branded_content+is_shop_video标记商业化账号 - 横向对比:跨月份文件对比,识别创作者的上升期与内容赛道的生命周期
使用注意事项 ⚠️
- 归档数据字段缺失:早期视频来自存档,部分字段(如
duration_ms、downloads、is_ai_generated)可能为 0 或 null,时长还保留到秒级精度,跨年代对比时需注意口径差异 - 空值约定:
sound_id = 0表示无声音,product_id = 0表示无商品,language = un表示语种未判定 - 统计时点:所有互动量以
stats_updated_at时刻为准,对比不同时期的数据时请记住这一基准 - 授权边界:数据集遵循 CC BY-NC 4.0 协议,仅限研究与个人用途,不可用于商业场景,创作者画像与每日更新需联系官方获取
总结:tiktok-5.6B-videos 把"找爆款、认头部"这件事从拍脑袋变成了查表——engagement_rate 定质量、mentions 聚创作者、branded_content 看商业化,三步即可完成一套完整的头部创作者识别流程。数据已按月备好,从 data/ 目录挑一个月开始你的分析吧。