پیش بینی رفتار کاربران در شبکه های اجتماعی با تلفیق ویژگی های معنایی و زمانی در بستر یادگیری چندوظیفه ای

پیش بینی دقیق الگوهای تعاملی کاربران (از قبیل پسندیدن، ثبت نظر و بازنشر محتوا) در شبکه های اجتماعی، نقشی بنیادین در بهینه سازی توزیع محتوا و ارتقای سامانه های هوشمند پیشنهاد محتوا ایفا می کند. با این وجود، رویکردهای پیشین عموما با دو محدودیت ساختاری مواجه اند: نخست، تحلیل تک بعدی هر رفتار که به نادیده گرفتن وابستگی های چندجانبه میان آن ها می انجامد؛ و دوم، ناتوانی در یکپارچه سازی هم زمان ویژگی های محتوایی با پویایی زمانی تعاملات. این نارسایی های روش شناختی، کارآمدی مدل های محاسباتی را در رویارویی با ماهیت پیچیده ی پلتفرم های اجتماعی به شدت تقلیل می دهند. برای رفع این محدودیت ها ، پژوهش حاضر چارچوب نوآورانه CA-MTL (یادگیری چندوظیفه ای مبتنی بر توجه کانولوشنی) را معرفی و اعتبارسنجی می نماید. هسته مرکزی این معماری، یکپارچه سازی ساختارمند شبکه های کانولوشنی (CNN) جهت استخراج الگوهای پنهان محتوا، و شبکه های بازگشتی (LSTM) به منظور درک وابستگی های زمانی است که در بستر یادگیری چندوظیفه ای و از طریق یک مکانیزم توجه وظیفه محور، به طور پویا هدایت می شود. این پیکربندی با ایجاد یک بستر یادگیری یکپارچه، توانایی مدل را در کشف و استخراج روابط درهم تنیده ی میان این سه رفتار تعاملی به طور چشمگیری ارتقا می بخشد. ارزیابی های جامع بر روی دو مجموعه داده ی متمایز (توییتر و اینستاگرام) و مقایسه با پنج مدل مبنای قدرتمند، برتری قاطع معماری پیشنهادی را به اثبات رساند. چارچوب CA-MTL ضمن ارتقای تمامی شاخص های عملکردی (MAE، RMSE و R۲)، بهبودی معادل ۹.۶٪ تا ۹.۹٪ در شاخص MAE نسبت به برترین مدل پایه ثبت نمود. تحلیل اثرسنجی مولفه ها (Ablation Study) نیز انسجام ساختاری و ضرورت حضور تمامی اجزا را به طور قطعی تایید کرد. یافته های این پژوهش نشان می دهد که پردازش هم زمان ویژگی های محتوایی، الگوهای زمانی و روابط میان رفتاری، راهکاری جامع و دقیق برای پیش بینی رفتار چندبعدی کاربران در رسانه های اجتماعی به شمار می رود.

کلیدواژه ها:

شبکه های اجتماعی ، پیش بینی تعامل کاربر ، یادگیری چندوظیفه ای ، مکانیزم توجه تطبیقی ، شبکه های عصبی عمیق ترکیبی ، مدل سازی رفتار دیجیتال.