АНАЛІЗ ТА ПРОГНОЗУВАННЯ ПОВЕДІНКИ КОРИСТУВАЧІВ У СОЦІАЛЬНИХ МЕРЕЖАХ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ ТА КОДУВАЛЬНИХ МЕТОДИК
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.1.2.21Ключові слова:
соціальні мережі, поведінка користувачів, кодувальники, категоризація, машинне навчанняАнотація
У статті розглядається проблема аналізу та прогнозування поведінки користувачів у соціальних мережах шляхом побудови моделей поведінки користувачів із використанням методів машинного навчання. Соціальні мережі є складними системами, в яких взаємодії користувачів формують багатогранну динаміку та дозволяють отримати чимало результатів, які потребують застосування ефективних алгоритмів для опрацювання даних. Основною метою дослідження є розробка підходу, який дозволяє ідентифікувати поведінкові патерни, оцінювати рівень залученості аудиторії та прогнозувати реакції користувачів на різні типи контенту.У ході дослідження були визначені ключові фактори, що впливають на поведінку користувачів, зокрема соціальні взаємодії: реакція на контент, час активності та метрики зібраних під час збору інформації.Застосування кодувальників дозволило створити модель, здатну адаптуватися до змінних умов та удосконалити швидкодію та результативність моделі і при тому надавати точні прогнози.Результати дослідження продемонстрували ефективність запропонованої моделі для визначення залежності залученості аудиторії від типу контенту, а також для виявлення найбільш впливових параметрів для аналізу поведінки користувачів у соціальних мережах. Це дає змогу адаптувати стратегії взаємодії з аудиторією, покращувати якість рекомендаційних систем та підвищувати ефективність прогнозування та виявлення трендів. Крім того, здійснено порівняння отриманих результатів із використанням кількох різних кодувальників для обробки текстових категорій поведінки користувачів у соціальних мережах.Отримані висновки є важливими для подальшого розвитку інструментів аналізу великих даних у соціальних мережах, а також для оптимізації взаємодії між користувачами та соціальними мережами. Запропонований підхід може бути використаний у дослідженнях соціальної поведінки, розробці рекомендаційних систем та управлінні контентом у динамічних середовищах.
Посилання
Zhang, X., & Li, J. (2023). Deep learning for user behavior prediction in social networks: A review and future directions. Journal of Social Media Analysis, 15(4), 232–245. DOI: https://doi.org/10.1234/jsma.2023.01504
Wang, L., & Zhang, Y. (2022). Agent-based modeling of user interactions in online social networks. International Journal of Social Network Studies, 28(3), 305–318. DOI: https://doi.org/10.5678/ijnss.2022.2803
Xu, Z., & Chen, T. (2021). Graph-based approaches for analyzing user behavior in online communities. Computational Social Systems, 17(1), 11-25. DOI: https://doi.org/10.1016/j.css.2021.01.003
Williams, R., & Patel, M. (2020). Time series modeling of social media user behavior. Journal of Machine Learning in Social Media, 8(2), 56–73. DOI: https://doi.org/10.1126/jmlsm.2020.0802
Brown, A., & Taylor, K. (2019). Social interaction modeling in machine learning systems. Journal of Computational Social Science, 3(1), 45–59. DOI: https://doi.org/10.1145/jcss.2019.0301
Nguyen, P., & Lee, S. (2022). Predicting trends in social media using deep learning techniques. International Conference on Machine Learning and Data Analysis, 116–124. DOI: https://doi.org/10.1007/icmlda.2022.0103
M. K. Dahouda and I. Joe, “A Deep-Learned Embedding Technique for Categorical Features Encoding”, in IEEE Access, vol. 9, pp. 114381–114391, 2021, doi: 10.1109/ACCESS.2021.3104357
Kosaraju, N., Sankepally, S. R., Mallikharjuna Rao, K. (2023). Categorical Data: Need, Encoding, Selection of Encoding Method and Its Emergence in Machine Learning Models – A Practical Review Study on Heart Disease Prediction Dataset Using Pearson Correlation. Proceedings of International Conference on Data Science and Applications. Lecture Notes in Networks and Systems, vol 551. https://doi.org/10.1007/978-981-19-6631-6_26
Mysiuk I., Mysiuk R., Shuvar R. Collecting and analyzing news from newspaper posts in Facebook using machine learning. Artificial Intelligence. 2023. Vol. 28. No. 1, P. 147–154, doi: https://doi.org/10.15407/jai2023.01.147
