Как создать популярные заголовки постов в социальных сетях? Или автоматизация и генерация заголовков
Представьте мир, где каждый ваш пост в социальных сетях мгновенно притягивает внимание. Особенно в эпоху стремительного копирайтинга с помощью ИИ — выделяться среди толпы этот навык который нам предстоит освоить.
Вы думаете я поддалась тенденциям инфобизнеса и хочу вам рассказать про очередной марафон?
А вот и нет, все дело в том, что я обнаружила интересную статью с броским названием Статья «Как создать популярные заголовки постов в социальных сетях? Которая затрагивает вопрос автоматизации генерации привлекательных заголовков для социальных медиа.
Увидев подобное, я сразу подумала, аллилуйя одна статья и сразу решения двух существенных проблем для людей занимающихся блогингом. Но давайте по порядку, я же не про инфобизнес тут публикую, у меня на канале между прочим про анализ данных, энергетику и управление этими делами, вот что меня очень интересует.
Поэтому увидев наименование статьи, а затем изучив ее я была поражена проделанной работе по анализу данных. Работа исследователей восхищает, особенно их способность превратить комплексный анализ данных в простые, но мощные инструменты для каждого, кто хочет быть услышанным в шумном мире социальных медиа.
Китайские ученые провели исследование где, проанализировали более миллиона постов 42 447 пользователей с платформы Xiao-hongshu.(Платформа для социальных сетей и электронной коммерции. Его называют «китайскую смесь Instagram, Pinterest и Amazon и поэтому его иногда называют «китайским Instagram»).
В рамках исследования при обзоре предыдущих работ они изучили методики по автоматизации и кодированию данных. Большинство методов сосредоточены на одном документе (статье и заголовке) и нацелены на извлечение и резюмировать ключевые моменты текста. Традиционная задача генерации заголовков основном ориентирована на новостные заголовки, где верность и краткость являются главными задачами. Однако генерирование заголовков в социальных сетях является более сложной задачей, где также учитывается популярность заголовка.
"Чтобы повысить популярность своих заголовков, пользователи социальных сетей часто следуют трендам".
Таким образом, генерация заголовков должна интуитивно учитывать текущие тенденции в социальных сетях. Кроме того, некоторые пользователи имеют свой уникальный и влиятельный стиль, который привлекает внимание. Поэтому личный стиль также важен для создания заголовков в социальных сетях. Учитывая эти ключевые факторы, прямое распространение существующих методов генерации заголовков в социальных сетях может оказаться неудовлетворительным. Тем не менее учитывать тренды и персональные стили при создании заголовков.
Во-первых, трудно понять, как тренды и личные качества влияют на процесс генерации и популярность заголовков? Насколько нам известно, не существует исследований, изучающих этих вопросов на крупномасштабных и реальных наборах данных.
Кроме того, вопрос о том, как кодировать тренды и личные стили также является большой проблемой. Тенденции и личные стили всегда меняются с течением времени, что еще больше усложняет процесс кодирования.
Для решения всех вышеперечисленных задач Авторы представляют новаторский метод MEBART, который сочетает в себе науку о данных и творческий подход, они показывают, как сочетание личного стиля и текущих трендов может творить чудеса.
Основная идея MEBART — создание заголовков, которые учитывают текущие тренды и личный стиль пользователя. Этот метод использует двунаправленные и авторегрессивные трансформеры для анализа большого объема данных из социальных сетей. Он извлекает ключевые тренды и предпочтения пользователя, интегрируя их для создания наиболее резонансных и привлекательных заголовков. Основной целью анализа данных является определение того, какие элементы и стили заголовков наиболее привлекательны для пользователей. Авторы исследуют, какие темы, ключевые слова и стилистика наиболее часто встречаются в популярных постах.
Одна из уникальных особенностей MEBART — способность адаптировать сгенерированные заголовки к личному стилю пользователя. Это достигается путем анализа предыдущих публикаций пользователя, чтобы понять его уникальные характеристики и предпочтения.
Как же работает этот метод?
В основном исследователи были сфокусированы на двух ключевых факторах создания заголовков: личные стили и тренды. Сначала мы представим набор данных, используемый для анализа. Набор данных описывается следующим образом: были выбраны посты на Xiaohongshu за определенный период времени с 2020 по 2022. Исходный набор данных содержит 1 695 219 постов и 42 447 пользователей. Каждый пост состоит из базовой информации, включая: (1) статью; (2) заголовок; (3) количество полученных лайков. заголовок; (3) полученные лайки; (4) когда пост был опубликован, а именно временной шаг; и (5) кто создал пост, а именно пользователь. Затем для каждого фактора исследовали, частоту его распространения в заголовках постов, и измеряем его вклад в популярность постов.
Суть метода MEBART можно описать следующими шагами:
Сбор данных: Сбор большого количества социальных медиа постов для анализа.
Анализ данных: Применение двунаправленных и авторегрессивных трансформеров для анализа собранных данных.
Извлечение предпочтений и трендов: Определение ключевых трендов и предпочтений пользователей на основе анализа данных.
Генерация заголовков: Создание заголовков, которые учитывают выявленные тренды и предпочтения, а также стиль конкретного пользователя.
Оптимизация и тестирование: Тестирование и улучшение модели для достижения наилучших результатов в генерации заголовков.
В целом, MEBART представляет собой генератор заголовков на основе BART, состоящий из четырех компонентов, а именно: кодировщика 𝑓𝑒𝑛(⋅), декодировщика 𝑓𝑑𝑒(⋅), экстрактора стилей 𝑓𝑠𝑒(⋅) и Trend Extractor 𝑓𝑡𝑒(⋅). Архитектура MEBART показана на рис. 3. Как и в большинстве авторегрессоров на основе трансформаторов, сначала 𝑓𝑒𝑛(⋅) кодирует статью в последовательность скрытых состояний 𝐻𝑎𝑟𝑖 = (ℎ𝑎𝑟 𝑖1, ℎ𝑎𝑟 𝑖2,..., ℎ𝑎𝑟 𝑖𝑛𝑖 ), то 𝑓𝑑𝑒(⋅) принимает 𝐻𝑎𝑟 𝑖 в качестве входных данных для создания заголовка. Основываясь на этой схеме, мы вводим два вида предпочтений. Экстракторы (𝑓𝑠𝑒(⋅) и 𝑓𝑡𝑒(⋅)) для моделирования стилей и тенденций соответственно. Экстрактор предпочтений принимает репрезентативный текст авторского стиля или современные тенденции в качестве входных данных, и генерирует соответствующую кодировку как выход. Для статьи 𝑥𝑎𝑟𝑖 , ℎ𝑠𝑒𝑖 и ℎ𝑡𝑒𝑖 соответственно обозначают стиль кодирование и кодирование тенденции. Поскольку качества ℎ𝑠𝑒 𝑖 и ℎ𝑡𝑒 𝑖 являются решающее значение для конечного генерируемого заголовка, мы предлагаем задачу самоконтроля задачу обучения для предварительного обучения 𝑓𝑠𝑒(⋅) и 𝑓𝑡𝑒(⋅). Во время генерации ℎ𝑠𝑒𝑖 и ℎ𝑡𝑒𝑖 объединяются вместе для модификации 𝐻𝑎𝑟𝑖, направляя модель на создание персонализированные и учитывающие тренды заголовки.
По итогу результаты показывают, что тенденции и личные стили действительно широко распространены в заголовках постов и оказывают значительное влияние на популярность постов.
Такой подход позволяет создавать контент, который не только привлекает внимание, но и отражает уникальный стиль пользователя. Это важное новшество в области цифрового маркетинга и персонализации контента социальных сетей.
Для ознакомления со статьей более подробно ,оставляю ссылку:
Также если заинтересованы в подобном контенте приглашаю вас на свой канал :