Сегодня у меня для вас не просто новость, а настоящая бомба в мире социальных медиа и копирайтинга. Представьте мир, где каждый ваш пост в социальных сетях моментально притягивает внимание. Мечта? Не совсем. Ответ кроется в удивительной статье с броским названием "Как создать популярные заголовки постов в социальных сетях?".
В эпоху, когда Искусственный интеллект революционизирует копирайтинг, выделяться из толпы стало не просто важно, а жизненно необходимо. И здесь на помощь приходит уникальный метод MEBART. Китайские ученые проанализировали более миллиона постов 42 447 пользователей с платформы Xiao-hongshu, чтобы разгадать секрет популярных заголовков.
Традиционные методы фокусировались на новостных заголовках, где ключевыми являются верность и краткость. Но MEBART изменяет правила игры, сосредотачиваясь на трендах и уникальном стиле каждого пользователя. Это больше, чем просто генерация заголовков. Это создание персонализированных, захватывающих и резонирующих с аудиторией заголовков, которые отражают именно ваш уникальный стиль.
Метод MEBART использует передовые технологии двунаправленных и авторегрессивных трансформеров для анализа данных, извлекая ключевые тренды и предпочтения пользователей. И это работает! Результаты исследования показывают, что тренды и личные стили имеют огромное влияние на 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:
https://www.sciencedirect.com/science/article/pii/S2666651023000244
Это не просто научное достижение. Это прорыв в создании контента для социальных сетей, который дает каждому из нас возможность быть услышанным в шумном мире интернета. MEBART открывает новые горизонты для маркетологов и блогеров, стремящихся создавать более целевой и эффективный контент.