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.
Amid the explosive growth of textual content in social media, it becomes critically important to identify the causal impact of post characteristics on audience response rather than relying solely on correlations. Classical correlation tests poorly account for context and confounding factors, while deep neural networks often remain a “black box,” sacrificing interpretability. The authors propose a graph-regularized model that estimates the effect of semantic phrases on user engagement. First, textual features are compressed using partial least squares, after which semantic-graph regularization is introduced to smooth effect estimates across semantically similar phrases and reduce variance. Using a dataset from the Nissan brand, the method is shown to outperform alternatives in predictive accuracy and to produce a stable list of influential key phrases with confidence intervals. The approach provides interpretable estimates of the uplift of individual expressions, suppressing contextual “noise” and correcting inflated effects produced by naive methods, thereby revealing actionable engagement triggers to support marketing decisions. The graph is constructed based on cosine similarity of phrase embeddings; estimation is performed via cross-validation, and intervals are obtained via bootstrapping. Sensitivity analysis shows that the ranking of phrases remains stable under changes in the time period, increasing confidence in the findings and practical suitability for A/B testing.
1. Chae M.-J. Driving Consumer Engagement through Diverse Calls to Action in Corporate Social Responsibility Messages on Social Media // Sustainability. 2021. Vol. 13. № 7. Art. 3812. DOI: 10.3390/su13073812.
2. Gkikas D.C., Tzafilkou K., Theodoridis P.K., Garmpis A., Gkikas M.C. How Do Text Characteristics Impact User Engagement in Social Media Posts? Modeling Content Readability, Length, and Hashtags Number in Facebook // International Journal of Information Management Data Insights. 2022. Vol. 2. № 1. Art. 100067. DOI: 10.1016/j.jjimei.2022.100067.
3. Toraman Ç., Şahinuç F., Yılmaz E.H., Akkaya I.B. Understanding Social Engagements: A Comparative Analysis of User and Text Features in Twitter // Social Network Analysis and Mining. 2022. Vol. 12. Art. 47. DOI: 10.1007/s13278-022-00872-1.
4. Saquete E., Zubcoff J.J., Gutiérrez Y., Martínez-Barco P., Fernández J. Why Are Some Social-Media Contents More Popular than Others? Opinion and Association Rules Mining Applied to Virality Patterns Discovery // Expert Systems with Applications. 2022. Vol. 197. Art. 116676. DOI: 10.1016/j.eswa.2022.116676.
5. Weissburg E., Kumar A., Dhillon P.S. Judging a Book by Its Cover: Predicting the Marginal Impact of Title on Reddit Post Popularity // Proceedings of the International AAAI Conference on Web and Social Media. 2022. Vol. 16. № 1. P. 1098–1108. DOI: 10.1609/icwsm.v16i1.19361.
6. Aldous K. K., An J., Jansen B. J. What Really Matters? Characterising and Predicting User Engagement of News Postings Using Multiple Platforms, Sentiments and Topics // Behaviour and Information Technology. 2023. Vol. 42. № 5. P. 545–568. DOI: 10.1080/0144929X.2022.2030798.
7. Volkovs M., Cheng Z., Ravaut M., Yang H., Shen K., Zhou J.P. Predicting Twitter Engagement with Deep Language Models // Proceedings of the Recommender Systems Challenge 2020 (RecSys Challenge ’20). New York: ACM, 2020. P. 38–43. DOI: 10.1145/3415959.3416000.
8. Arazzi M., Cotogni M., Nocera A., Virgili L. Predicting Tweet Engagement with Graph Neural Networks // Proceedings of the 2023 International Conference on Multimedia Retrieval (ICMR ’23). New York: ACM, 2023. P. 172–180. DOI: 10.1145/3591106.3592294.
9. Daniluk M., Dąbrowski J., Rychalska B., Gołuchowski K. Synerise at RecSys 2021: Twitter User Engagement Prediction with a Fast Neural Model // RecSysChallenge ’21: Proceedings of the Recommender Systems Challenge 2021. New York: ACM, 2021. P. 15–21. DOI: 10.1145/3487572.3487599.
10. Gencoglu O., Gruber M. Causal Modeling of Twitter Activity during COVID-19 // Computation. 2020. Vol. 8. № 4. Art. 85. DOI: 10.3390/computation8040085.
11. Lemaire A., Yin M., Netzer O. Words That Matter: Analyzing the Causal Effect of Words. SSRN. 2025. URL: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5205681 (дата обращения: 17.12.2025). DOI: 10.2139/ssrn.5205681.
12. Schuberth F., Zaza S., Henseler J. Partial Least Squares Is an Estimator for Structural Equation Models: A Comment on Evermann and Rönkkö (2021) // Communications of the Association for Information Systems. 2023. Vol. 52. P. 711–729. DOI: 10.17705/1CAIS.05232.
13. Yang C.-L., Huang C.-Y., Hsiao Y.-H. Using Social Media Mining and PLS-SEM to Examine the Causal Relationship between Public Environmental Concerns and Adaptation Strategies // International Journal of Environmental Research and Public Health. 2021. Vol. 18. № 10. Art. 5270. DOI: 10.3390/ijerph18105270.
14. Vicente-Gonzalez L., Frutos-Bernal E., Vicente-Villardon J.L. Partial Least Squares Regression for Binary Data and Its Biplot Representation // Mathematics. 2025. Vol. 13. № 3. Art. 458. DOI: 10.3390/math13030458.
15. Родионов Д.Г., Мугутдинов Р.М., Конников Е.А. Автоматизированный алгоритм системного анализа конкурентоспособности цифрового предприятия в рамках информационной среды // Экономические науки. 2021. № 200. С. 98-108. DOI: 10.14451/1.200.98. EDN: RRFFSY.
16. Liu Y., Wu J., Zhang J., Leung M.-F. Graph-Regularized Orthogonal Non-Negative Matrix Factorization with Itakura–Saito (IS) Divergence for Fault Detection // Mathematics. 2025. Vol. 13. № 15. Art. 2343. DOI: 10.3390/math13152343.
17. Барсков В.В., Белостоцкая А.А., Забелин Б.Ф., Конников Е.А. Актуальные вопросы производственного менеджмента в практической деятельности промышленного предприятия. Казань: Бук, 2017. 104 с. ISBN: 978-5-906954-04-6. EDN: YNVLWX.