AI-Driven Client Acquisition in Social Media: Optimizing Engagement through Convolutional and Recurrent Neural Networks
Diese Studie zeigt, dass ein hybrider KI-Framework, der Convolutional und Recurrent Neural Networks mit LLM-basierter Datenausweitung und Content-Generierung kombiniert, die Kundenakquise in sozialen Medien signifikant optimieren kann, indem eine hohe Genauigkeit bei der Klassifizierung von Zielgruppen und Werbeposts innerhalb von VKontakte-Communities erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Internet als eine riesige, geschäftige digitale Stadt vor, in der Milliarden von Menschen ständig chatten, Fotos teilen und über ihr Leben posten. In dieser Stadt sind Unternehmen wie Ladenbesitzer, die versuchen, die perfekten Kunden für ihre Produkte zu finden. Lange Zeit war das Finden dieser Kunden so, als würde man in einem überfüllten Stadion schreien und hoffen, dass jemand einen hört. Doch vor kurzem haben Wissenschaftler begonnen, „kluge Helfer“ namens Künstliche Intelligenz (KI) zu bauen, die das Schreien für sie übernehmen sollen.
Um zu verstehen, wie diese Helfer funktionieren, stellen Sie sich zwei Hauptarten von Geisteskraft vor. Erstens gibt es Convolutional Neural Networks (CNNs). Man kann sie sich als superschnelle Scanner vorstellen, die ein Stück Text betrachten und sofort winzige, wichtige Muster erkennen, wie etwa ein Detektiv, der einen spezifischen Fingerabdruck oder einen einzigartigen Satz bemerkt. Sie sind großartig darin, kurze Schnappschüsse von Informationen zu erfassen. Zweitens gibt es Recurrent Neural Networks (RNNs). Denken Sie an diese als Geschichtenerzähler, die sich an die Reihenfolge der Dinge erinnern. Sie lesen einen Satz von Anfang bis Ende und behalten dabei im Auge, wie ein Wort zum nächsten führt, was ihnen hilft, den Fluss eines Gesprächs zu verstehen. Die große Frage für Marketer ist: Können wir diese klugen Werkzeuge kombinend einsetzen, um automatisch die richtigen Leute zu finden, herauszufinden, welche Art von Nachrichten sie mögen, und sogar diese Nachrichten für uns zu schreiben?
Dieses Papier, geschrieben von einem Team von Forschern, taucht genau in diese Frage ein. Sie bauten ein digitales System, das Unternehmen helfen soll, neue Kunden auf einer populären Social-Media-Plattform namens VKontakte (VK) zu finden, die sehr ähnlich wie Facebook ist, aber in Russland riesig groß ist. Ihr Ziel war es, eine Maschine zu erschaffen, die drei Dinge tun kann: die richtigen Personengruppen zu finden, herauszufinden, welche Arten von Posts die meiste Aufmerksamkeit erregen, und dann automatisch neue, packende Posts zu schreiben.
Die Forscher stellten eine dreistufige Maschine auf, um ihre Ideen zu testen. Zuerst brachten sie ihrer KI bei, wie ein Scout zu agieren. Sie fütterten sie mit tausenden Beschreibungen verschiedener Gruppen auf VK. Die KI musste entscheiden: „Ist dies eine Gruppe über Essenslieferung oder geht es um etwas anderes, wie zum Beispiel Kochrezepte oder Musik?“ Sie probierten verschiedene Arten von KI-Gehirnen für diese Aufgabe aus. Sie fanden heraus, dass das „Scanner“-Gehirn (das CNN) für diese Aufgabe absolut am besten geeignet war. Es identifizierte Essenslieferungs-Gruppen mit einer erstaunlichen Genauigkeit von 98,8 %. Das bedeutet, dass es sehr wenige Fehler machte, selbst wenn die Gruppen etwas knifflig aussah. Die „Geschichtenerzähler“-Gehirne (die RNNs) waren gut, aber nicht ganz so scharf wie der Scanner für diese spezifische Aufgabe.
Als Nächstes wollten das Team die KI wie einen Content-Editor agieren lassen. Sie sammelten tausende tatsächliche Posts aus diesen Food-Gruppen und baten die KI, sie in Kategorien zu sortieren. Waren diese Posts nur darauf ausgelegt, freundlich zu sein? Boten sie einen Rabatt an? Ein Gratisgeschenk? Cashback? Oder das Versprechen einer schnellen Lieferung? Dies war schwieriger, da einige Posts sehr ähnlich klangen. Um die Aufgabe fair zu gestalten, nutzten die Forscher einen speziellen Trick: Sie baten eine leistungsstarke Sprach-KI, zusätzliche Beispiele für die seltenen Kategorien (wie „Cashback“) zu erfinden, damit die KI nicht durch einen Mangel an Daten verwirrt wird. Mit dieser Hilfe gewann der CNN-Scanner erneut das Rennen und sortierte die Posts zu 90,6 % korrekt ein. Die KI lernte, dass kurze, prägnante Posts mit spezifischen Schlüsselwörtern der Schlüssel dazu sind, Menschen zum Klicken und Teilen zu bewegen.
Schließlich wollten die Forscher sehen, ob die Maschine ein Schreiber sein kann. Sie nahmen die Muster, die die KI aus den erfolgreichen Posts gelernt hatte, und baten ein Sprachmodell (speziell eines namens YaGPT), neue Werbe-Posts von Grund auf neu zu schreiben. Sie gaben der KI eine einfache Anweisung, wie zum Beispiel „Schreibe einen Post, der einen Rabatt anbietet“, und beobachteten, was passierte. Die Ergebnisse waren beeindruckend. Die KI schrieb Posts, die genau wie die echten klangen, unter Verwendung der richtigen Emojis, Begeisterung und Handlungsaufforderungen. Während einige andere KI-Modelle manchmal verwirrt waren oder über Dinge schrieben, die nicht zur Anfrage passten, blieb YaGPT auf Kurs und erstellte Anzeigen, die sich natürlich und einsatzbereit anfühlten.
Das Team kam zu dem Schluss, dass ihr System funktioniert. Sie zeigten, dass man den gesamten Prozess des Kundensuchens automatisieren kann: von der Identifizierung der richtigen Gruppen bis hin zum Schreiben der Anzeigen. Sie fanden heraus, dass für kurze Social-Media-Texte der „Scanner“-Stil der KI (CNN) im Allgemeinen besser ist als der „Geschichtenerzähler“-Stil (RNN). Sie bewiesen auch, dass die Verwendung von KI zur Erstellung zusätzlicher Übungsdaten hilft, das Problem des Mangels an Beispielen für seltene Arten von Posts zu lösen. Obwohl dieses System speziell für VK entwickelt wurde, schlagen die Forscher vor, dass dieselben Ideen auch auf anderen Social-Media-Plattformen funktionieren könnten, vorausgesetzt, die Werkzeuge können sich mit ihnen verbinden. Es ist ein Schritt in Richtung einer Zukunft, in der Unternehmen nicht mehr nur raten, was ihre Kunden wollen, sondern kluge Werkzeuge nutzen, um sie zu finden und mit ihnen auf eine Weise zu kommunizieren, die tatsächlich funktioniert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.