Tus publicaciones en las redes sociales revelan mucho sobre ti. Los investigadores de KAUST han desarrollado un modelo computacional dinámico que puede analizar tweets para identificar los intereses de los usuarios de Twitter y realizar un seguimiento de los cambios a lo largo del tiempo. "Comprender la evolución de los intereses de los usuarios significa que podemos agruparlos en consecuencia y recomendar amigos, Noticias, eventos y otros servicios, ", dice Xiangliang Zhang, quien dirigió la investigación en KAUST.

La creación de modelos informáticos que puedan identificar los intereses cambiantes de una persona a partir de sus publicaciones en las redes sociales es un problema multifacético. El primer desafío es comprender el significado del texto publicado, un área de investigación conocida como Procesamiento del Lenguaje Natural (PNL). "El objetivo de la PNL es hacer que las computadoras sean tan inteligentes como los seres humanos para comprender el lenguaje, "Dice Zhang." Es una de las tareas más desafiantes de la IA, " ella agrega.

Los modelos de PNL basados ​​en reglas no han tenido mucho éxito en interpretar los matices del lenguaje en la forma en que los humanos usan las palabras de maneras diversas y creativas. de tal manera que el significado de las palabras a menudo puede depender en gran medida del contexto. Un enfoque alternativo es aplicar el aprendizaje automático para representar palabras en un espacio semántico, donde palabras relacionadas semánticamente, por ejemplo, París, Beijing y Riyadh:están mapeados muy de cerca.

Para identificar los intereses de los usuarios de Twitter mediante el análisis de sus tweets, el desafío clave es caracterizar a los usuarios individuales por sus palabras clave más importantes. Zhang y su equipo han creado un modelo de integración en el que las palabras y los usuarios se manejan juntos. "Creamos un modelo de usuario dinámico e incrustación de palabras que puede aprender de manera conjunta y dinámica las representaciones de usuarios y palabras en el mismo espacio semántico, "Dice Zhang.

Los investigadores mejoraron el resultado del modelo al desarrollar e incorporar un componente de diversificación de palabras clave de transmisión, que puede identificar palabras clave estrechamente relacionadas y eliminar entradas redundantes de la lista de palabras clave principales. El modelo resultante puede capturar una amplia gama de intereses para cada usuario y adaptarse a sus intereses en evolución a lo largo del tiempo.

Cuando el equipo probó su modelo en una serie de tweets, fue una mejora significativa con respecto a los enfoques anteriores, Dice Zhang. "Nuestro modelo supera significativamente a muchos modelos de perfiles de usuarios de última generación". El equipo ya ha producido una nueva iteración de su enfoque de modelo de incrustación, ella agrega, en el que también se capturan las relaciones usuario-usuario para comenzar a identificar intereses que los usuarios tienen en común. "El próximo modelo será más avanzado y creará vectores de co-incrustación dinámicos que capturen la proximidad social usuario-usuario y la relevancia de los atributos del usuario simultáneamente, "Dice Zhang.