Особливості рекомендаційного алгоритму на основі аналізу методів добування даних з соціальних мереж

Abstract

В останні роки платформи соціальних мереж стали потужними інструментами зі збирання даних для покращення досвіду користувачів. Величезна кількість даних, отриманих через соціальні медіа, надає унікальну можливість для розроблення інноваційних систем рекомендацій. У статті проаналізовано застосування методів інтелектуального аналізу даних щодо соціальних мереж у контексті ефективних систем рекомендацій, зосереджено увагу на трьох ключових методологіях: аналіз тональності тексту (АТТ), тематичному моделюванні (ТМ) й аналізі соціальних мереж (АСМ), виокремлено їхні позитивні риси. ATT дає змогу системі адаптувати рекомендації на основі аналізу настроїв, пропонуючи користувачам предмети, які відповідають їхнім вираженим емоціям. Експерименти показують істотні підвищення точності рекомендацій, коли дані настрою інтегровані. TM дає змогу системі зрозуміти основні проблеми користувачів, визначаючи провідні теми, надаючи індивідуальні рекомендації та залишаючись у курсі тенденцій, що розвиваються. Водночас АСМ визначає впливових користувачів і спільноти, підвищуючи релевантність і обізнаність про елементи системи. У статті підкреслено величезний потенціал соціальних мереж для розроблення ефективних, персоналізованих систем рекомендацій. Використовуючи аналіз настроїв та тематичне моделювання, ці системи можуть надавати персоналізовані та релевантні рекомендації на основі суспільних настроїв, популярних тем і динаміки соціальних мереж.In recent years, social media platforms have become powerful data collection tools to improve user experience. The vast amount of data generated through social media provides a unique opportunity to develop innovative recommendation systems. This article analyzes the application of data mining methods for social networks in the context of effective recommendation systems, focusing on three key methodologies: sentiment analysis (SA), topic modeling (TM) and social network analysis (SNA), highlighting their positive features. SA allows the system to tailor recommendations based on sentiment analysis, offering users items that match their expressed emotions. Experiments show significant improvements in recommendation accuracy when sentiment data is integrated. TM allows the system to understand the main concerns of users by identifying dominant themes, thereby providing personalized recommendations and staying abreast of evolving trends. At the same time, AFM identifies influential users and communities, increasing relevance and awareness of system elements. The article highlights the enormous potential of social networks for the development of effective, personalized recommendation systems. Using sentiment analysis and topic modeling, these systems can provide personalized and relevant recommendations based on public sentiment, trending topics, and social network dynamics.