AI-Driven Client Acquisition in Social Media: Optimizing Engagement through Convolutional and Recurrent Neural Networks
تُظهر هذه الدراسة أن إطار عمل الذكاء الاصطناعي الهجين الذي يجمع بين الشبكات العصبية الالتفافية والمتكررة مع تعزيز البيانات وتوليد المحتوى القائم على النماذج اللغوية الكبيرة يمكنه تحسين عملية استقطاب العملاء عبر وسائل التواصل الاجتماعي بشكل كبير، محققاً دقة عالية في تصنيف المجموعات المستهدفة والمنشورات الترويجية داخل مجتمعات "في كونتكتي" (VKontakte).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل الإنترنت كمدينة رقمية ضخمة وصاخبة، حيث يتحدث مليارات الأشخاص باستمرار، ويشاركون الصور، وينشرون تفاصيل حياتهم. في هذه المدينة، تشبه الشركات أصحاب المتاجر الذين يحاولون العثور على العملاء المثاليين لمنتجاتهم. لفترة طويلة، كان العثور على هؤلاء العملاء يشبه الصراخ في ملعب مزدحم والأمل في أن يسمعك أحد. ولكن مؤخرًا، بدأ العلماء في بناء "مساعدين أذكياء" يُطلق عليهم الذكاء الاصطناعي (AI) للقيام بمهمة الصراخ نيابة عنهم.
لفهم كيفية عمل هؤلاء المساعدين، فكر في نوعين رئيسيين من القدرات الذهنية. أولاً، هناك "الشبكات العصبية الالتفافية" (CNNs). يمكنك تخيلها كأجهزة مسح فائقة السرعة تنظر إلى قطعة من النص وتكتشف فورًا أنماطًا صغيرة ومهمة، مثل ملاحظة محقق لبصمة إصبع معينة أو عبارة فريدة. إنها بارعة في النظر إلى لقطات قصيرة من المعلومات. ثانياً، هناك "الشبكات العصبية المتكررة" (RNNs). فكر في هذه الشبكات كقصاصين يتذكرون ترتيب الأشياء؛ فهي تقرأ الجملة من البداية إلى النهاية، وتتتبع كيف تؤدي كلمة إلى أخرى، مما يساعدها على فهم تدفق المحادثة. السؤال الكبير بالنسبة للمسوقين هو: هل يمكننا دمج هذه الأدوات الذكية للعثور تلقائيًا على الأشخاص المناسبين، ومعرفة نوع الرسائل التي يفضلونها، وحتى كتابة تلك الرسائل لنا؟
هذه الورقة البحثية، التي كتبها فريق من الباحثين، تغوص مباشرة في هذا السؤال. لقد بنوا نظامًا رقميًا مصممًا لمساعدة الشركات في العثور على عملاء جدد على منصة تواصل اجتماعي شهيرة تسمى "فكونتاكتي" (VK)، وهي مشابهة جدًا لفيسبوك ولكنها ضخمة في روسيا. كان هدفهم هو إنشاء آلة يمكنها القيام بثلاثة أشياء: العثود على مجموعات الأشخاص المناسبة لاستهدافهم، ومعرفة أنواع المنشورات التي تجذب أكبر قدر من الانتباه، ثم كتابة منشورات جديدة وجذابة تلقائيًا.
قام الباحثون بإعداد آلة مكونة من ثلاث خطوات لاختبار أفكارهم. أولاً، علموا ذكاءهم الاصطناعي كيف يعمل ككشاف. قاموا بتغذية النظام بآلاف الأوصاف لمجموعات مختلفة على VK. كان على الذكاء الاصطناعي أن يقرر: "هل هذه المجموعة عن توصيل الطعام، أم أنها عن شيء آخر، مثل وصفات الطبخ أو الموسيقى؟". جربوا أنواعًا مختلفة من "الأدمغة" للذكاء الاصطناعي لهذه المهمة. ووجدوا أن "دماغ الماسح الضوئي" (CNN) كان الأفضل على الإطلاق في هذه المهمة؛ فقد حدد مجموعات توصيل الطعام بدقة مذهلة بلغت 98.8%. وهذا يعني أنه ارتكب أخطاءً قليلة جدًا، حتى عندما كانت المجموعات تبدو محيرة بعض الشيء. أما "أدمغة القصاصين" (RNNs) فقد كانت جيدة، لكنها لم تكن بحدة الماسح الضوئي لهذه المهمة المحددة.
بعد ذلك، أراد الفريق من الذكاء الاصطناعي أن يعمل كمحرر محتوى. جمعوا آلاف المنشورات الفعلية من مجموعات الطعام هذه وطلبوا من الذكاء الاصطناعي تصنيفها إلى فئات. هل كانت هذه المنشورات تحاول فقط أن تكون ودودة؟ هل قدمت خصمًا؟ هدية مجانية؟ استرداد نقدي (Cashback)؟ أم وعدًا بالتوصيل السريع؟ كانت هذه المهمة أصعب لأن بعض المنشورات تبدو متشابهة جدًا. ولجعل المهمة عادلة، استخدم الباحثون حيلة خاصة: طلبوا من ذكاء اصطناعي لغوي قوي ابتكار أمثلة إضافية للفئات النادرة (مثل "استرداد النقود") حتى لا يرتبك الذكاء الاصطناعي بسبب نقص البيانات. وبمساعدة هذا، فاز الماسح الضوئي (CNN) بالسباق مرة أخرى، حيث صنف المنشورات بشكل صحيح بنسبة 90.6% من المرات. وقد تعلم أن المنشورات القصيرة والموجزة التي تحتوي على كلمات رئيسية محددة هي المفتاح لجعل الناس ينقرون ويشاركون.
أخيرًا، أراد الباحثون معرفة ما إذا كان بإمكان الآلة أن تصبح كاتبة. أخذوا الأنماط التي تعلمها الذكاء الاصطناعي من المنشورات الناجحة وطلبوا من نموذج لغوي (تحديدًا نموذج يسمى YaGPT) كتابة منشورات إعلانية جديدة من الصفر. أعطوا الذكاء الاصطناعي تعليمات بسيطة، مثل "اكتب منشورًا يقدم خصمًا"، وراقبوا ما حدث. كانت النتائج مبهرة؛ فقد كتب الذكاء الاصطناعي منشورات تبدو تمامًا مثل المنشورات الحقيقية، باستخدام الرموز التعبيرية (Emojis) المناسبة، وأسلوب الحماس، وعبارات الحث على اتخاذ إجراء. وبينما ارتبكت نماذج ذكاء اصطناعي أخرى أحيانًا أو كتبت عن أشياء لا تتناسب مع الطلب، ظل YaGPT في المسار الصحيح، منشئًا إعلانات تبدو طبيعية وجاهزة للاستخدام.
خلص الفريق إلى أن نظامهم يعمل. لقد أثبتوا أنه يمكن أتمتة العملية بأكملها للعث find العملاء: من رصد المجموعات المناسبة إلى كتابة الإعلانات. ووجدوا أنه بالنسبة للنصوص القصيرة على وسائل التواصل الاجتماعي، فإن أسلوب "الماسح الضوئي" (CNN) عادة ما يكون أفضل من أسلوب "القصاص" (RNN). كما أثبتوا أن استخدام الذكاء الاصطناعي لإنشاء بيانات تدريب إضافية يساعد في حل مشكلة عدم وجود أمثلة كافية لأنواع المنشورات النادرة. ورغم أن هذا النظام قد بُني خصيصًا لـ VK، إلا أن الباحثين يشيرون إلى أن الأفكار نفسها يمكن أن تعمل على منصات التواصل الاجتماعي الأخرى، بشرط أن تتمكن الأدوات من الاتصال بها. إنها خطوة نحو مستقبل لا تكتفي فيه الشركات بالتخمين فيما يريده عملاؤها، بل تستخدم أدوات ذكية للعثور عليهم والتحدث إليهم بطريقة فعالة حقًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.