ЗАСТОСУВАННЯ МЕТОДІВ МОНТЕ-КАРЛО ДЛЯ МОДЕЛЮВАННЯ ТА ПРОГНОЗУВАННЯ ПОВЕДІНКИ КОРИСТУВАЧІВ У СОЦІАЛЬНИХ МЕРЕЖАХ
DOI:
https://doi.org/10.36994/2788-5518-2025-01-09-16Ключові слова:
моделювання методом Монте-Карло, аналітика соціальних мереж, моделювання поведінки користувачів, машинне навчання, прогнозна аналітикаАнотація
Розуміння та прогнозування поведінки користувачів у соціальних мережах є складним завданням через динамічний характер онлайн-взаємодій користувачів. Методи Монте-Карло є одним із методів моделювання залученості користувачів, вірусності контенту, еволюції настроїв і персоналізованих рекомендацій у динамічних середовищах.У статті досліджено застосування методів Монте-Карло для моделювання та прогнозування поведінки користувачів у соціальних мережах. Розглянуто декілька варіантів цього підходу, серед яких – квазі-Монте-Карло, класичний метод Монте-Карло й Метрополіс-Гастингс методи продемонстрували кращу ефективність для обраного набору даних завдяки рівномірнішому охопленню сценаріїв поведінки користувачів, ураховуючи обрані параметри їхніх активностей. Також відображено збіжності методами Монте-Карло з вибіркою у 10000 значень і на основі основних обраних параметрів для моделювання поведінки користувачів, а саме лайків, поширень і коментарів, досліджено ефективність обраних методів при такому наборі даних з багатьма параметрами. Базуючись на отриманих даних, розробили базову систему прогнозної аналітики, яка може отримати подальший розвиток завдяки інтеграції в рекомендаційні системи для підвищення персоналізації контенту й покращення аналізу активностей користувачів у соціальних мережах. Крім того, застосовано лексичний аналізатор VADER для оцінювання емоційного тону користувачів і досліджено їх вірусність у соціальних мережах. Отримані результати дали змогу відобразити розподіл лайків, коментарів і поширень у соціальних мережах. Також відображено процес моделювання вірусності й розповсюдження контенту, схематично подано принцип роботи програми. Результати оцінок ефективності підтверджують доцільність використання комбінації квазі-Монте-Карло методів і показують їх ефективність, точність прогнозування при аналізі активностей користувачів для комплексного дослідження поведінки в соціальних мережах. Прогнозування вірусності відображає поширення вірусного контенту.
Посилання
Zheng, C. (2025). A comprehensive review of probabilistic and statistical methods in social network sentiment analysis. Advances in Engineering Innovation, 16(3), P. 38–43. DOI: https://doi.org/10.54254/2977-3903/2025.21918.
Li, H., Wang, Y., Zhang, J., & Liu, F. (2022). A Modified Attention Mechanism Powered by Bayesian Network for User Activity Analysis and Prediction. Information Sciences, 603, P. 115–130. DOI: https://doi.org/10.1016/j.ins.2022.02.003.
Wang, X., & Li, Q. (2022). Personality Trait Identification Based on Hidden Semi-Markov Model in Online Social Networks. Proceedings of the 2022 7th International Conference on Intelligent Information Technology, P. 30–35. DOI: https://doi.org/10.1145/3524889.3524898.
Fong, S. J., Li, G., Dey, N., Crespo, R. G., & Herrera-Viedma, E. (2020). Composite Monte Carlo Decision Making under High Uncertainty of Novel Coronavirus Epidemic Using Hybridized Deep Learning and Fuzzy Rule Induction. arXiv preprint arXiv:2003.09868. DOI: https://doi.org/10.48550/arXiv.2003.09868.
Zhang, J. (2020). Modern Monte Carlo Methods for Efficient Uncertainty Quantification and Propagation: A Survey. arXiv preprint arXiv:2011.00680. DOI: https://doi.org/10.48550/arXiv.2011.00680.
Sosa, J., & Martínez, C. (2025). Bayesian Sociality Models: A Scalable and Flexible Alternative for Network Analysis. arXiv preprint arXiv:2503.14697. DOI: https://doi.org/10.48550/arXiv.2503.14697.
Garibay, I. et al. (2021). Deep Agent: Studying the Dynamics of Information Spread and Evolution in Social Networks. In: Yang, Z., von Briesen, E. (eds) Proceedings of the 2019 International Conference of The Computational Social Science Society of the Americas. CSSSA 2020. Springer Proceedings in Complexity. Springer, Cham. DOI: https://doi.org/10.1007/978-3-030-77517-9_11.
Meshram, R., & Kaza, K. (2021). Monte Carlo Rollout Policy for Recommendation Systems with Dynamic User Behavior. 2021 International Conference on COMmunication Systems & NETworkS (COMSNETS), P. 86–89. DOI: https://doi.org/10.1109/COMSNETS51098.2021.9352741.
Tommasel A., Diaz-Pace J. A. (2024). Leveraging Monte Carlo Tree Search for Group Recommendation. In Proceedings of the 18th ACM Conference on Recommender Systems (RecSys '24). Association for Computing Machinery, New York, NY, USA, P. 1136–1141. DOI: https://doi.org/10.1145/3640457.3691713.
Mysiuk I., Mysiuk R., Shuvar R. (2023). Collecting and analyzing news from newspaper posts in Facebook using machine learning. Artificial Intelligence. 28(1), P. 147–154 DOI: https://doi.org/10.15407/jai2023.01.147.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
