مروری بر نظام مسئله پیش بینی محبوبیت اخبار و الگوریتم های ارائه شده برای آن

حجم عظیمی در عصر دیجیتال حاضر با گسترش شتابان فناوری اطلاعات و نفوذ فراگیر اینترنت شاهد تولید و انتشار بی سابقه از محتوای دیجیتال به ویژه اخبار آنلاین در قالب های متنی، تصویری و ویدیویی از طریق رسانه ها و شبکه های اجتماعی هستیم. این فراوانی محتوا رقابتی تنگاتنگ را میان تولیدکنندگان برای جلب توجه مخاطبان رقم زده است. از همین رو، پیش بینی محبوبیت اخبار که با معیارهایی چون تعداد بازدید، اشتراک گذاری، لایک، نرخ کلیک (CTR) یا نظرات کاربران سنجیده می شود، به مسئله ای اساسی در مدیریت هوشمند محتوا تبدیل گشته است. چنین پیش بینی دقیقی می تواند مزایای قابل توجهی به همراه داشته باشد؛ از جمله کمک به سرویس های خبری برای اولویت بندی اخبار پرمخاطب، ارائه توصیه های شخصی سازی شده به کاربران، بهبود اثربخشی تبلیغات هدفمند و بهینه سازی مدیریت زیرساخت های فنی را فراهم آورد. پژوهشگران در حوزه های داده کاوی و یادگیری ماشین در مواجهه با این چالش مدل های پیشرفته ای را توسعه داده اند. این مدل ها از رویکردهای متنوعی بهره می برند؛ از جمله به کارگیری ویژگی های متادیتا، زمانی و محتوایی خبر پیش از انتشار، تحلیل احساسات و ویژگی های روان زبان شناسی محتوا و استفاده از مدل های مبتنی بر گراف برای درک تعاملات پیچیده کاربران و ساختارهای شبکه ای. همچنین، پیشرفت های اخیر در شبکه های عصبی عمیق به ویژه شبکه های عصبی گرافی (GNNs) و مکانیسم های توجه (Attention Mechanisms) توانایی مدل سازی روابط غیرخطی و استخراج نمایش های غنی از داده های خبری را فراهم آورده است. این مطالعه با هدف ارائه یک بررسی جامع به تحلیل چالش ها و رویکردهای نوین در پیش بینی محبوبیت اخبار، به ویژه در سناریوهای پیش از انتشار می پردازد و مروری تطبیقی بر الگوریتم ها و روش های برجسته این حوزه ارائه می دهد.

Keywords:

پیش بینی محبوبیت اخبار , یادگیری ماشین , شبکه های عصبی گرافی , مکانیسم های توجه , تحلیل محتوای آنلاین