Анализ факторов высокой вовлечённости (лайки, комментарии, репосты) в постах вузовского паблика VK

Целевая переменная – high_engagement (бинарная, производная от суммы лайков, комментариев, репостов: 1 – вовлечённость выше медианы, 0 – ниже медианы).

Описательные признаки включают:

• 1.    текст поста (text);

• 2.    дата и время публикации (date, из чего извлекаются час, день недели, месяц);

• 3.    количество лайков, комментариев, репостов, просмотров (используются для расчёта целевой переменной, но при построении прогнозной модели исключаются, так как не известны до публикации);

• 4.    бинарные индикаторы has_comments и has_reposts (наличие хотя бы одного комментария или репоста – эти признаки частично отражают реакцию аудитории и могут быть использованы для прогноза).

Данные не содержат пропусков, однако некоторые посты могут иметь пустой текст (например, видеозаписи или репосты без комментария) – в этом случае длина текста принимается за 0.

Таблица 1. – Информация о датасете

Поле	Тип данных	Описание	Пример значения
text	строка (object)	Текст поста, опубликованного в сообществе ВКонтакте. Может содержать эмодзи, ссылки, хештеги.	"12 сентября в Российской Федерации стартовал Единый день голосования. Проголосовать можно онлайн..."
date	datetime (строка в формате YYYY-MM-DD HH:MM:SS)	Дата и время публикации поста (по Московскому времени).	2025-09-13 09:00:00

Поле	Тип данных	Описание	Пример значения
likes	целое число (int)	Количество отметок «Нравится» под постом.	28
comments	целое число (int)	Количество комментариев под постом.	1
reposts	целое число (int)	Количество репостов (поделиться) записи.	0
views	целое число (int)	Количество просмотров поста.	1827
has_comments	целое число (int), бинарный признак	Наличие хотя бы одного комментария (1 – есть, 0 – нет).	1
has_reposts	целое число (int), бинарный признак	Наличие хотя бы одного репоста (1 – есть, 0 – нет).	0

Методы предобработки:

• ‒    кодирование категориальных признаков с помощью OneHotEncoder (менее порядка) и LabelEncoder для порядковых. Для задач классификации использовать One-Hot Encoding;

• ‒    масштабирование числовых признаков с помощью StandardScaler;

• ‒    балансировка классов – метод SMOTE (Synthetic Minority Over-sampling).

Классификация:

Наивный байесовский классификатор (GaussianNB) – быстрый, хорошо работает при слабой корреляции признаков.

Дерево решений (DecisionTreeClassifier) – интерпретируемая модель, позволяет визуализировать правила.

Метод опорных векторов (SVC) с ядром RBF – эффективен для нелинейных границ.

Линейный дискриминантный анализ (LDA) – линейный, хорошо работает при близком распределении классов.

Кластеризация:

• ‒    KMeans – для выделения сегментов на основе стандартизованных числовых признаков;

• ‒    DBSCAN – для обнаружения кластеров произвольной формы и выбросов.

Снижение размерности:

• ‒    PCA (главные компоненты) – для визуализации данных в 2D и 3D, а также для сжатия признаков перед кластеризацией;

• ‒    инструменты: Python, библиотеки pandas, numpy, scikit-learn, matplotlib, seaborn, imblearn (SMOTE).

В рамках эксплораторного анализа были построены визуализации для выявления закономерностей в данных о постах университетского сообщества ВКонтакте. Исследованы числовые признаки (лайки, комментарии, репосты, просмотры, длина текста, час и день недели публикации), бинарные признаки (наличие комментариев и репостов), а также проведена предварительная оценка корреляций.

На рисунке 1 представлены ROC-кривые трёх моделей классификации.

Рисунок 1 – ROC-кривые моделей классификации

Выводы по рисунку 1:

Все три модели показывают высокое качество (AUC > 0,90), что говорит о хорошей разделимости классов «высокая вовлечённость» и «низкая вовлечённость».

SVC и логистическая регрессия демонстрируют практически одинаковую AUC (0,902), случайный лес лишь незначительно уступает (0,901). Это указывает на то, что признаки (час, день недели, наличие комментариев/репостов, длина текста) обладают достаточной информативностью.

Близость кривых к левому верхнему углу подтверждает пригодность построенных моделей для практического прогнозирования вовлечённости до момента публикации поста (при условии, что признаки has_comments и has_reposts исключены из реального предсказания).

На рисунке 2 приведены 20 наиболее важных признаков (на примере случайного леса, так как он даёт интерпретируемую важность).

Рисунок 2 – 20 наиболее важных признаков (Random Forest)

Выводы по рисунку 2:

Ключевыми факторами, влияющими на высокую вовлечённость, являются наличие комментариев (has_comments) и наличие репостов (has_reposts). Их важность значительно превышает остальные признаки Это означает, что публикации, стимулирующие аудиторию к действию, получают больший отклик.

Среди текстовых признаков наиболее ценными оказались слова, связанные с мероприятими, конкурсами и призывами («голосование», «конкурс», «приглашаем», «регистрируйтесь», «победа»).

Временные признаки – час публикации, день недели – также входят в топ-20. Это подтверждает гипотезу о том, что существуют «золотые часы» для размещения постов (например, вечерние часы будних дней).

Длина текста оказалась умеренно значимой: слишком короткие посты (< 100 символов) и слишком длинные (> 1000 символов)

показывают меньшую вовлечённость

На рисунке 3 представлена кластеризация постов методом KMeans с последующим проецированием на две главные компоненты (PCA)

Рисунок 3 – Кластеризация постов (KMeans, PCA)

Выделено три устойчивых кластера, которые хорошо разделяются в пространстве главных компонент (перекрывание минимально).

Кластер 0 (синий): посты с низкой вовлечённостью – короткие тексты, утренние часы публикации, отсутствие призывов к комментариям/репостам.

Кластер 1 (зелёный): посты с высокой вовлечённостью – длинные тексты, вечерние часы (17–20), наличие хештегов конкурсов и прямых вопросов к аудитории.

Кластер 2 (жёлтый/фиолетовый): посты со средней вовлечённостью – смешанные характеристики, часто это новостные или официальные объявления.

Существенная разница в средней вовлечённости между кластерами (например, кластер 1 имеет среднюю вовлечённость в 2–3 раза выше, чем кластер 0) подтверждает практическую ценность сегментации для планирования контента.

Проведённый эксплораторный анализ показал, что вовлечённость постов в значительной степени определяется временем публикации, длиной текста и наличием интерактивных элементов (комментарии, репосты). Выделенные кластеры позволяют SMM-специалистам целенаправленно корректировать контент-стратегию: публиковать развлекательные конкурсные посты вечером в будние дни, использовать короткие новостные заметки утром, а официальные объявления сопровождать риторическими вопросами для стимулирования комментариев.