ПРОГНОЗИРОВАНИЕ ТРАФИКА ПРОСМОТРОВ НОВОСТНОГО РЕСУРСА МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Аннотация
Современное информационное общество характеризуется высокой конкуренцией и быстрыми изменениями, требующими от компаний постоянного анализа, адаптации и готовности к переменам. В этих условиях использование искусственного интеллекта становится неотъемлемым элементом успешного функционирования предприятий, позволяя автоматизировать процессы и принимать решения на основе больших данных. Использование искусственного интеллекта для прогнозирования показателей деятельности компаний в современных реалиях становится приоритетной задачей. Прогнозирование трафика просмотров на новостных ресурсах является важным аспектом работы медиа-компаний, поскольку это позволяет оперативно реагировать на изменения в интересах пользователей и эффективно планировать контентную стратегию. Для проведения исследования по прогнозированию трафика просмотров новостных статей на агрегаторе Яндекс.Новости был использован набор данных, включающий в себя несколько тысяч новостных статей. Данные включают в себя разнообразные признаки, такие как автор, заголовок, текст статьи, дата публикации, процент уникальности текста, наличие медиа-файла в тексте, количество просмотров и др. Для достижения целей исследования применялись методы машинного обучения, включая регрессию для прогнозирования числа просмотров статей и классификацию для определения, попадут ли статьи в топ новостного агрегатора. Эксперименты проводились на обучающем и тестовом наборах данных, а результаты были проанализированы и сравнены с целью выявления наилучших методов и моделей для прогнозирования трафика просмотров на новостном ресурсе. В ходе исследования подтверждено, что применение методов искусственного интеллекта показывает потенциал в прогнозировании трафика просмотров новостных статей и улучшении качества контента. Результаты исследования подчеркивают важность использования машинного обучения для оптимизации информационных ресурсов и повышения их конкурентоспособности.
Литература
Schneider A.A. Mass media trends: implementation of AI, ML, SEO and data journalism in the worldwide media landscape. Vestnik of Novosibirsk State University. Series: History and Philology. 2022. Vol. 21. N 6. P. 59-68. (in Russian).
Mamedova L.E., Ivanova L.N., Altaev E.S. The main aspects of artificial intelligence technology. Ivecofin. 2023. N3(57). P.78-88. DOI: 10.6060/ivecofin.2023573.656. (in Russian).
Popova O.I. Digital impact on consumer behavior and media development. Sign: issues of media education. 2020. N 3 (37). P. 121-127. DOI: 10.24411/2070-0695-2020-10317. (in Russian).
Lazutkina E. V. Effective methods for optimization web-texts. Sign: issues of media education. 2015. N 1 (15). P. 19-24. (in Russian).
Bazhenova E.Yu. Internet newspaper as a new type of media. Bulletin of Amur State University. Series: Humanities. 2013. N 62. P. 161-165. (in Russian).
Simkacheva M.V. The process of media convergence and its influence on the formation of the modern media field. Scientific notes of Kazan University. Series Humanities. 2015. Vol. 157. N 4.P. 118-126. (in Russian).
Dyulicheva Yu.Yu. The anxieties detection from tweets about distance learning with negative sentiments. International Journal of Open Information Technologies. 2022. Vol.10. N7. P. 18-23.
Saleem Raja A.S., Pradeepa G., Mahalakshmi S., Jaya-kumar M.S. Natural language based malicious domain detection using machine learning and deep learning. Scientific and technical journal of information technologies, mechanics and optics. 2023. Vol.23. N 2. Р. 304-312.
Gerasimenko E.M., Stetsenko V.V. An intelligent sentiment analysis system for measuring customer loyalty and making decisions based on fuzzy logic. Izvestiya Southern Federal University. Engineering Sciences. 2021. N 4 (221). P. 42-50. (in Russian).
Gerasimenko E.M., Stetsenko V.V. Sentiment analysis of text reviews using tone dictionaries and fuzzy set cardinality. Izvestiya Southern Federal University. Engineering Sciences. 2022. N 5 (229). P. 106-116. (in Russian).
Baranov D.A., Tupitsyna A.S., Barabanov V.F., Grebennikova N.I., Zolnikov K.V. Development of a system for recognizing the quality of customer service using artificial neural network technology. Bulletin of Voronezh State Technical University. 2023. Vol. 19. N 3. P. 7-12. (in Russian).
Pudakova V.E., Kulakov P.A. Methods of using artificial intelligence. Izvestiya Tula State University. Technical Sciences. 2023. N 4. P. 303-306. DOI: 10.24412/2071-6168-2023-4-303-306. (in Russian).
Favorskaya M.N., Jain L.C. Saliency detection in deep learning era: trends of development. Information and control systems. 2019. N 3(100). С. 10-36.
Kuliev E.V., Semenov V.A., Kotelva A.V., Ignatieva S.V. Analytical review of the decision tree algorithm in data intelligence technology. Izvestiya Southern Federal University. Engineering Sciences. 2022. N 2 (226). P. 165-179. (in Russian).
Laskin M.B., Gadasina L.V. Peculiarities of applying methods based on decision trees in the problems of real estate valuation. Business Informatics. 2022. Vol. 16. N 4. P. 7-18. (in Russian).
Isaev D.V. Credit scoring based on card transactions. Innovations and Investments. 2021. N 5. P. 105-109. (in Russian).
Vorobyev A.V. Methods to improve the accuracy of machine learning algorithms while reducing the dimensionality of the data set. International Journal of Open Information Technologies. 2021. Vol. 9. N 10. P. 29-34. (in Russian).
Brou K.A., Smirnov I.V., Mabouh M.H. Comparison of machine learning models for coronavirus prediction. Advanced Engineering Research (Rostov-on-Don). 2022. Vol. 22. N 1. P. 67-75. DOI: 10.23947/2687-1653-2022-22-1-67-75.
Astrakhantseva I., Kutuzova A., Astrakhantsev R. Artificial Neural Networks in Inflation Forecasting at the Meso-Level.SHS Web of Conferences: III Internationalon New Industrialization and Digitalization (NID 2020). Ekaterinburg: EDP Sciences. 2021. P. 02005. DOI: 10.1051/shsconf/20219302005. EDN HXSSQJ.
Astrakhantseva I.A., Kutuzova A.S., Astrakhantsev R.G. Recurrent neural network for regional inflation forecast. Scientific works of the Free Economic Society of Russia. 2020. Vol. 223. N 3. P. 420-431. DOI: 10.38197/2072-2060-2020-223-3-420-431. EDN QAHOYN. (in Russian).
Astrakhantseva I.A., Gerasimov A.S., Astrakhantsev R.G. Forecasting regional inflation by machine learning algorithms. Ivecofin. 2022. N 4(54). P. 6-13. DOI: 10.6060/ivecofin.2022544.620. EDN ITYDFE. (in Russian).
Kamalkhodzhaeva N., Shikov A.N. Research and analysis of machine learning algorithms for predicting customer churn in a telecommunications company. International Scientific Research Journal. 2022. N 7-1 (121). P. 108-111. (in Russian).
Gavrilov D.V., Abramov R.V., Kirilkina A.V., Ivshin A.A., Novitsky R.E. COVID-19 pandemic prediction model based on machine learning in selected regions of the Russian Federation. Farmakoekonomika. Modern Pharmacoeconom-ics and Pharmacoepidemiology. 2021. Vol. 14. N 3. P. 342-356. (in Russian).
Grineva N.V., Mikhailova S.S. Applying machine learning to simulate borrower default. Innovations and Investments. 2023. N 4. P. 254-262. (in Russian).
Solovei O. Efficient encoding algorithm for binary classification model. German International Journal of Modern Science. 2021. N 16. P. 61-63. DOI: 10.24412/2701-8369-2021-16-61-63.
Bobkov S.P., Astrakhantseva I.A., Pavlova E.A. Simulation modeling for intellectual support of management decisions acceptance. Modern High Technologies. Regional Application. 2022. N 1(69). P. 61-69. DOI: 10.6060/snt.20226901.0008. EDN VIOOGK. (in Russian).
