מקסום השפעה זמנית באמצעות רשתות עצביות גרפיות בזמן רציף ולמידת חיזוק עמוקה

מדוע התזמון חשוב בעולם המחובר שלנו

מצפייה בווידאו ויראלי ועד להפצת מחלות — חלק גדול מהחיים המודרניים תלוי באופן שבו דברים מתפשטים ברשתות של אנשים. חברות רוצות לדעת במי לכוון כדי שמודעה תתנחל ותתפשט. רשויות בריאות הציבור רוצות לדעת את מי לחסן קודם כדי לעצור התפרצות. עם זאת, רוב הכלים שמשמשים לבחור אנשים מרכזיים אלה מתייחסים לרשתות כאילו היו קפואות בזמן, למרות שהאינטראקציות האמיתיות מופיעות ונעלמות משך הזמן. מאמר זה מציג גישה חדשה, הנקראת TempRL-IM, שלוקחת את זרימת הזמן ברצינות ומראה כיצד שימוש בתזמון המדויק של הקשרים יכול לשפר משמעותית את היכולת שלנו להוביל מידע והשפעה במערכות חברתיות שמשתנות במהירות.

ממפות סטטיות לרשתות חיות

מחקרים מסורתיים של השפעה ברשתות מתחילים בשאלה פשוטה: אם אפשר לבחור קבוצת אנשים קטנה "להפעיל" — אולי על־ידי שליחת דוגמיות חינם או התראות קריטיות — מי מהם יגרום לתגובת שרשרת הגדולה ביותר? שיטות מוקדמות השיבו על כך על־ידי התבוננות רק בצילום מצב קבוע של מי מחובר למי. הן מניחות שאם אדם A קשור לאדם B, הקשר הזה תמיד זמין להעברת השפעה. אבל מערכות אמיתיות לעיתים רחוקות יציבות כל כך. החלפות אימיילים, שיחות טלפון, הודעות מקוונות ומפגשים פנים-אל-פנים שיאים ודועכים לאורך היום. התעלמות מקצב זה עלולה להוביל לבחירות לקויות, כמו בחירה במישהו שנראה מרכזי על הנייר אבל למעשה לא פעיל בחלון הזמן הקריטי שבו ההשפעה צריכה להתפשט.

להקשיב לדופק האינטראקציה

המחברים טוענים שהרגעים המדויקים שבהם אנשים מתקשרים — עד לרצף ולמרווחים בין האירועים — נושאים רמזים חיוניים לגבי מי באמת משפיע. המסגרת שלהם, TempRL-IM, מתייחסת לכל קשר ברשת כאירוע עם חותמת זמן, בדומה לרישום מדויק ביומן. במקום לחלק את הזמן לחתיכות גסות, היא משתמשת ברשת עצבית גרפית בזמן רציף, סוג של מודל למידת מכונה השומר זיכרון עבור כל אדם ברשת. בכל פעם ששני אנשים מתקשרים, הזיכרונות של שניהם מתעדכנים, ומתחשבים לא רק במי דיבר עם מי, אלא גם כמה זמן עבר וכמה פעמים זה קרה. מנגנון קשב זמני ממקד את תשומת הלב בשכנים וברגעים הרלוונטיים ביותר, ומזקק את ה"מצב" המשתנה של כל אדם לטביעת אצבע מספרית קומפקטית.

ללמד בינה מלאכותית לבחור את השליחים הנכונים

לאחר שמפיות הדפוסים המשתנים של הרשת הוצפנו, TempRL-IM מעבירה את טביעות האצבע האלה ליחידת קבלת החלטות המבוססת על למידת חיזוק עמוקה. כאן, סוכן בינה מלאכותית לומד באמצעות ניסוי וטעייה לבחור קבוצה קטנה של יחידים "כזרעים" בזמן תצפית מסוים. בסימולציות של האופן שבו ההשפעה תתפשט לאחר אותו רגע, הסוכן מקבל פרסים גבוהים יותר כאשר הזרעים שהוא בחר מעוררים מפלים גדולים. דרך סבבים רבים הוא מפתח אסטרטגיות זמניות מעודנות — למשל, להעדיף אנשים שמתחילים להיות פעילים בדיוק עם השקת הקמפיין, או כאלה שקשריהם מצטופפים בתקופות מכריעות. החשוב הוא שהמודל שומר על סיבתיות: הוא לעולם לא מציץ לעתיד בעת קבלת החלטות, ומתבסס רק על אירועים בעבר ובהווה.

הוכחת היתרונות על נתונים מהעולם האמיתי

כדי לבדוק את TempRL-IM, החוקרים יישמו אותה על שישה רשתות זמניות ממשיות, כולל החלפות אימייל בחברות, הודעות פרטיות בפלטפורמות חברתיות של אוניברסיטאות, יחסי אמון בשוק מטבעות קריפטו, וקירבה פיזית בין משתמשי טלפונים ניידים. הם השוו את השיטה שלהם לאלגוריתמים סטטיים ומבוססי צילומי-מצב פופולריים, וכן לגישות חדשות מבוססות למידה עמוקה. על פני כל המערכי נתונים ולמספרים שונים של זרעים, TempRL-IM הפעלה בעקביות יותר אנשים — בדרך כלל 15 עד 28 אחוזים יותר מהמתחרות החזקות ביותר מבוססות הלמידה — בעוד שבזמן קבלת ההחלטה בחרה זרעים במהירות גבוהה יותר פי שלוש עד עשרה. השיטה החזיקה מעמד גם בתנאים רועשים שבהם הוסרו, הוטעו בזמן או הוחמרו באופן פתאומי חלק מהאינטראקציות, והעבירה ידע היטב מרשת אחת לאחרת עם דפוסי פעילות דומים.

מה זה אומר ליישומים יום־יומיים

במילים פשוטות, המחקר הזה מראה שמי שתבחר להשפיע אינו עניין של מיקומם בלבד ברשת, אלא גם של מתי הם מחוברים. על־ידי מודליזציה של רשתות כמבנים חיים, מודעים לזמן, ואימון בינה מלאכותית לנצל את הדפוסים הזמניים הללו, TempRL-IM יכולה לזהות שליחים טובים יותר לשיווק, מטרות מוקדמות יותר לחיסון או לקמפיינים מידע, ונקודות שליטה יעילות יותר במערכות תקשורת או תחבורה. המסקנה המרכזית פשוטה: התזמון והרצף חשובים, וכלים שמאמצים את רצף הזמן המלא של האינטראקציות שלנו יכולים לקבל החלטות חכמות ומהירות יותר ברשתות המורכבות והמשתנות שמעצבות את חיינו.

ציטוט: Wang, Y., Alawad, M.A., Alfilh, R.H.C. et al. Temporal influence maximization via continuous-time graph neural networks and deep reinforcement learning. Sci Rep 16, 8987 (2026). https://doi.org/10.1038/s41598-026-37640-6

מילות מפתח: מקסום השפעה, רשתות חברתיות דינמיות, רשתות עצביות גרפיות, למידת חיזוק, הפצת מידע