IDENTIFYING TEXTUAL DRIVERS OF BRAND AUDIENCE ENGAGEMENT IN SOCIAL MEDIA BASED ON A GRAPH-REGULARIZED APPROACH

В условиях экспоненциального роста объёмов текстовых данных в социальных сетях задача определения причинно-следственного влияния семантических конструкций на вовлечённость аудитории становится особенно актуальной.Целью работы является разработка комплексного метода анализа такого влияния, сочетающего метод частичных наименьших квадратов для снижения размерности данных и графовую регуляризацию для учёта семантической близости фраз.В рамках исследования предложена модель, которая на этапе обработки данных строит граф семантической близости на основе векторных представлений фраз и применяет комбинированную регуляризацию для стабилизации оценок.Метод был апробирован на корпусе постов бренда Nissan.Результаты показали, что предложенный подход существенно превосходит альтернативные методы по точности прогнозирования и позволяет выделить устойчивый набор фраз, оказывающих значимое влияние на вовлечённость.Выявлено, что метод корректно оценивает вклад отдельных выражений, устраняя смещения, характерные для наивных статистических подходов, и эффективно разделяет эффект контекста и эффект конкретных формулировок.В заключение отмечается, что разработанный метод обеспечивает интерпретируемый и устойчивый каузальный вывод, что делает его практическим инструментом для поддержки принятия решений в контент-маркетинге.