מסגרת למידה מחזקת עמוקה לבעיית מיצוי ההשפעה ברשתות חברתיות בקנה מידה גדול

מדוע הפצת רעיונות ברשת חשובה

כשסרטון, מוצר או מסר פוליטי הופך לפתע ויראלי, זה לא רק מזל. מאחורי הקלעים, כמה אנשים מרכזיים ברשת חברתית מקוונת פעמים רבות מציתים את הגל. חברות, משרדי בריאות ציבורית ופעילים רוצים לדעת: אילו משתמשים כדאי לפנות אליהם ראשונים כדי שהמסר יגיע לכמה שיותר אחרים? הפאזל הזה, הידוע כמיצוי השפעה, נעשה קשה ביותר בפלטפורמות חברתיות ענקיות ומסובכות של היום. המאמר מציג מסגרת בינה מלאכותית חדשה, בשם MaDGNN, שלומדת כיצד לבחור במהירות ובאופן מהימן את חשבונות ה"על-מטפילים" האלו, גם ברשתות גדולות ומגוונות מאוד.

בחירת השליחים הנכונים

מיצוי ההשפעה שואל שאלה פשוטה: אם יש לך תקציב מוגבל של אנשים שאפשר לפנות אליהם ישירות, את מי מתוך אלה כדאי לבחור כך שהמסר שלך ייגע בסופו של דבר במספר הגדול ביותר של משתמשים? מחקרים מוקדמים הגדרו זאת כבעיית אופטימיזציה מתמטית והציעו אלגוריתמים חמדניים קפדניים שמדמים כיצד המידע עלול להתפשט מחבר לחבר. לשיטות אלה יש הבטחות תיאורטיות חזקות, אבל הן דורשות מספר עצום של סימולציות ברשתות גדולות, מה שהופך אותן לאיטיות ויקרות בפועל. עבודות עדכניות ניסו להאיץ את התהליך באמצעות למידה עמוקה, אך רבות מהן נכשלים בהכללה כשהן מועברות מגרפים קטנים של אימון לפלטפורמות מורכבות בעולם האמיתי עם מיליוני חיבורים.

מנוע למידה למפלים חברתיים

המחברים מציעים את MaDGNN, שמתייחס למיצוי ההשפעה כמשחק המנוהל שלב־אחר־שלב. בכל שלב המערכת בוחנת מי מהמשתמשים כבר נבחרו כזרעים ואז בוחרת את המשתמש הבא לפנייה, במטרה למקסם את ההגעה הסופית. כדי להבין את מבנה הרשת, MaDGNN משתמשת בסוג של רשת עצבית המיועדת במיוחד לגרפים. המודול ה"רגיש למפלים" הזה יוצר טביעות אצבע מספריות עשירות לכל משתמש, שמלכדות לא רק מי חבריו אלא גם כיצד השפעה צפויה להתגלגל דרך שרשרות חיבורים. תת‑מודולים נפרדים עוקבים אחר כך האם משתמש פעיל במפל, עד כמה הוא יכול להשפיע על אחרים וכמה קל לשכנע אותו בעצמו.

ייצוב החלטות עם למידה מחזקת חכמה יותר

על גבי טביעות האצבע הנלמדות הללו, MaDGNN משתמשת בלמידה מחזקת — גישה של ניסוי וטעייה שבה המערכת מתוגמלת כאשר בחירות הזרעים שלה מובילות לפריסה רחבה. שיטות למידה מחזקת קלאסיות עלולות להיות לא יציבות: הן עלולות להעריך ביתר את ערכן של פעולות מסוימות ולסטות לאסטרטגיות גרועות. כדי להתמודד עם זאת, המחברים מתאימים טכניקה עדכנית הנקראת למידה מחזקת מנשאוזן, שמענישה בעדינות בחירות מוגזמות בביטחון ומעודדת חקר בריא. הם גם מוסיפים שכבות רועשות לרשת ההחלטה, שמזריקות אקראיות ישירות לפרמטרים הפנימיים של המודל במקום להסתמך רק על בחירות אקראיות של פעולות. ביחד, מרכיבים אלו עוזרים ל‑MaDGNN להתכנס בצורה מהימנה יותר למדיניות בחירת זרעים יציבה.

עוקף כלים קיימים ברשתות אמיתיות

כדי לבחון את MaDGNN, החוקרים אימנו אותה תחילה על גרפים מלאכותיים קטנים ואז העריכו אותה על שמונה רשתות חברתיות ומידע אמיתיות, כולל אתרי ביקורות מוצרים, חילופי אימיילים וגרפי חברות בפייסבוק, כל אחת עם אלפים עד מאות אלפים של משתמשים. ברוב מערכי הנתונים ובטווח הנחות שונות לגבי כמה קל שהשפעה תעבור ממשתמש למשנהו, MaDGNN בחרה בעקביות קבוצות זרעים שהניבו מפלים גדולים יותר מאשר מספר בסיסים חזקים, כולל אלגוריתמים פופולאריים מבוססי דגימה ושיטות למידה מחזקת עמוקה אחרות. לעיתים קרובות השיגה שיפורים אלו בזמן ריצה דומה או אף נמוך יותר, והיתרון שלה נשמר במסגרת בדיקות סטטיסטיות קפדניות.

הסתכלות מתחת למכסה ומעבר לה

הצוות גם ניתח את העיצוב של MaDGNN. החלפת כלל הלמידה הסטנדרטי בגרסת מנשאוזן שיפרה את תפוצת ההשפעה מבלי להגדיל משמעותית את זמן הריצה. אתחול הייצוגים של הקשרים בשיטת הטמעה גרפית מבוססת הביא לרווחים נוספים, והשכבות הרועשות שיפרו ביצועים על‑ידי עידוד חקר טוב יותר. חשוב מכך, על ידי שינוי האופן שבו החישוב של התגמולים מתבצע בלבד, אותה ארכיטקטורה עבדה תחת מודלים שונים של אימוץ מידע, מה שמרמז ש‑MaDGNN לקחה איתה איתותים מבניים כלליים במקום להסתגל יתר על המידה לכלל דיפוזיה יחיד. המחברים מציינים אתגרים שנותרו, כגון כיוונון פרמטרי יציבות מסוימים והרחבה לרשתות עם עשרות מיליוני קשתות, שבהן ייתכן שיידרשו תחבולות נוספות כמו חיתוך גרפים.

מה המשמעות לזה לקמפיינים בעולם האמיתי

באופן פשוט, עבודה זו מראה שמערכת למידה מעוצבת בקפידה יכולה להפוך לאסטרטג רב עוצמה לפרסום ויראלי. במקום לדמות באופן ממצה כל תרחיש אפשרי, MaDGNN לומדת מניסיון אילו דפוסי חיבורים נוטים להצית מפלים גדולים ואז מיישמת את הידע הזה על רשתות חדשות, גדולות בהרבה. מבחינת פרקטיקה, זה אומר שימוש יעיל יותר במשאבים מוגבלים — בין אם בבחירת הלקוחות שיקבלו גישה מוקדמת למוצר, אילו חברי קהילה לערב בקמפיין בריאותי, או אילו חשבונות יש לנטר לצורך בקרה על שמועות. למרות שאינה תרופת פלא ועדיין מתמודדת עם מגבלות סקיילביליות בקנה המידה הגדול ביותר, MaDGNN מציעה קו בסיס מבטיח חדש להפיכת הגיאומטריה המורכבת של רשתות חברתיות לתוכניות ישימות להפצת מידע.

ציטוט: Yang, F., Wang, Y., Shu, N. et al. A deep reinforcement learning framework for influence maximization problem on large-scale social networks. Sci Rep 16, 11515 (2026). https://doi.org/10.1038/s41598-026-41731-9

מילות מפתח: מיצוי השפעה, רשתות חברתיות, רשתות עצביות גרפיות, למידה מחזקת, הדיפוזיה של מידע