چارچوب یادگیری ماشین مبتنی بر داده‌های عمومی، ماندگاری کاربران در پلتفرم‌های رسانه‌ای را پیش‌بینی می‌کند
برای پلتفرم‌های رسانه‌ای دیجیتال، رقابت دیگر صرفاً بر سر جذب مشترکان جدید نیست. با تشدید رقابت میان سرویس‌های پخش آنلاین، مسئله تعیین‌کننده به حفظ کاربران تغییر کرده است: چه کسانی همچنان به استفاده از سرویس ادامه می‌دهند و چه کسانی بی‌سروصدا اشتراک خود را لغو می‌کنند؟ پژوهشی تازه که در نشریه Discover Artificial Intelligence منتشر شده، با رویکردی کم‌سابقه از نظر شفافیت به این مسئله می‌پردازد. جین‌مِی چن و دونگ‌یِه چن به‌جای اتکا به مجموعه‌داده‌های محرمانه‌ای که در پژوهش‌های مربوط به ریزش کاربران رایج‌اند، چارچوبی کامل و تکرارپذیر برای مدل‌سازی و پیش‌بینی ماندگاری کاربران با استفاده از داده‌های عمومی طراحی کرده‌اند. در مقایسه ۱۰ الگوریتم یادگیری ماشین، جدیدترین مدل پایه برای داده‌های جدولی، یعنی TabPFN 2.5، بهترین عملکرد کلی را به دست آورد: دقت ۸۱٫۴ درصد، امتیاز F1 برابر با ۰٫۷۶۴ و مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) برابر با ۰٫۸۶۶. این پژوهش مبنایی قابل بازتولید در اختیار ارائه‌دهندگان خدمات رسانه‌ای قرار می‌دهد تا بتوانند کاربران در معرض خطر کاهش تعامل را پیش از ترک پلتفرم شناسایی کنند.
انگیزه این پژوهش به مشکلی گسترده‌تر در مطالعات مربوط به حفظ کاربران بازمی‌گردد. بخش زیادی از پژوهش‌های پیشین به داده‌های اختصاصی شرکت‌ها متکی است؛ مسئله‌ای که امکان بازتولید نتایج، شفافیت و مقایسه میان مطالعات را محدود می‌کند. وقتی داده‌های زیربنایی در دسترس نباشند، پژوهشگران دیگر نمی‌توانند شیوه استخراج و طراحی ویژگی‌ها یا نحوه ارزیابی مدل‌ها را بررسی کنند. در نتیجه، تشخیص پیشرفت‌های واقعی روش‌شناختی از نتایجی که امکان راستی‌آزمایی آن‌ها وجود ندارد، دشوار می‌شود. پژوهشگران معتقدند استفاده از مجموعه‌داده‌های معیار عمومی می‌تواند این مشکل را برطرف کند. آن‌ها مجموعه‌داده MovieLens 1M را انتخاب کردند که گروه پژوهشی GroupLens آن را گردآوری کرده است و یکی از منابع پرکاربرد در پژوهش‌های سامانه‌های پیشنهاددهنده و مدل‌سازی کاربران به شمار می‌رود. هدف تیم این بود که با ساخت مدل‌های ماندگاری بر پایه مجموعه‌داده‌ای عمومی با ساختاری مستند و روشن، محیطی استاندارد ایجاد کند تا روش‌های پیش‌بینی به‌طور منصفانه مقایسه و نتایج به‌صورت مستقل بازتولید شوند. این رویکرد به یکی از موانع دیرپای پیشرفت در مدل‌سازی ریزش کاربران و میزان تعامل آن‌ها می‌پردازد.
مجموعه‌داده انتخاب‌شده حجم قابل‌توجهی دارد. MovieLens 1M شامل ۱٬۰۰۰٬۲۰۹ امتیاز صریح است که ۶۰۴۰ کاربر به ۳۹۵۲ فیلم داده‌اند. این داده‌ها بین سال‌های ۲۰۰۰ تا ۲۰۰۳ گردآوری شده‌اند. هر کاربر در این مجموعه دست‌کم به ۲۰ فیلم امتیاز داده است؛ بنابراین، برای تحلیل، حداقلی از تعامل و سابقه رفتاری در اختیار پژوهشگران قرار داشته است. فایل امتیازدهی، شناسه کاربر، شناسه فیلم، امتیاز در مقیاس یک تا پنج و مُهر زمانی یونیکسِ ثبت هر امتیاز را در بر می‌گیرد و امکان ردیابی تعاملات در طول زمان را فراهم می‌کند. پژوهشگران برای تعریف ماندگاری، آستانه ۳۰ روز عدم فعالیت را در نظر گرفتند. اگر فاصله میان دو تعامل پایانی کاربر بیش از ۳۰ روز بود، او در گروه کاربران احتمالاً ازدست‌رفته قرار می‌گرفت؛ در مقابل، کاربرانی که در این بازه همچنان فعال بودند، ماندگار محسوب شدند. حاصل این طبقه‌بندی، مسئله‌ای با عدم توازن متوسط میان دو گروه بود: ۳۶۱۲ کاربر، معادل ۵۹٫۸ درصد، ماندگار و ۲۴۲۸ کاربر، معادل ۴۰٫۲ درصد، در گروه ریزش قرار گرفتند. پژوهشگران خاطرنشان کردند که این عدم توازن، هرچند شدید نیست، می‌تواند باعث شود یک طبقه‌بند صرفاً با پیش‌بینی گروه پرتعدادترِ کاربران ماندگار به دقت بالایی برسد. ازاین‌رو، هنگام انتخاب معیارهای ارزیابی و تفسیر نتایج، توزیع دو گروه با دقت در نظر گرفته شد.
مهندسی ویژگی‌ها بخش محوری چارچوب تحلیلی پژوهش بود. محققان سوابق خام تعاملات را به چهار گروه ویژگی تبدیل کردند: رفتاری، زمانی، مبتنی بر محتوا و جمعیت‌شناختی. ویژگی‌های رفتاری شامل میانگین امتیازهای هر کاربر و واریانس آن‌ها بود تا میزان ثبات ارزیابی‌های او در طول زمان مشخص شود. ویژگی‌های زمانی اهمیت ویژه‌ای داشتند. از جمله این ویژگی‌ها می‌توان به نرخ امتیازدهی، یعنی تعداد امتیازهای ثبت‌شده تقسیم بر مدت فعالیت کاربر، و میانگین فاصله زمانی میان امتیازها اشاره کرد. فاصله‌های طولانی‌تر میان تعاملات می‌توانند نشانه کاهش علاقه باشند. تازگی فعالیت، که بر اساس تعداد روزهای سپری‌شده از آخرین تعامل کاربر محاسبه شد، و شاخص فعالیت فشرده، که حداکثر تعداد امتیازهای ثبت‌شده در یک روز را نشان می‌داد، سایر جنبه‌های رفتار زمانی را پوشش می‌دادند. ویژگی‌های مبتنی بر محتوا، ترجیحات ژانری کاربران را از طریق بردار گرایش به ژانرها ثبت می‌کردند. تنوع ژانرها نیز با استفاده از آنتروپی توزیع ژانرهای فیلم‌هایی که هر کاربر به آن‌ها امتیاز داده بود، اندازه‌گیری شد. متغیرهای جمعیت‌شناختی، از جمله گروه سنی، جنسیت و شغل، با روش کدگذاری وان‌هات به ورودی مدل‌ها تبدیل شدند. همه ویژگی‌های عددی با روش نرمال‌سازی کمینه‌ـ‌بیشینه مقیاس‌بندی شدند و برای بررسی افزونگی میان ویژگی‌های دارای همبستگی بالا، مانند میانگین امتیاز و واریانس آن، تحلیل همبستگی پیرسون انجام گرفت.
پس از آماده‌سازی جدول ویژگی‌ها، پژوهشگران مجموعه‌ای گسترده از ۱۰ الگوریتم را آموزش دادند و با یکدیگر مقایسه کردند. رگرسیون لجستیک به‌عنوان خط مبنای خطی به کار رفت و احتمال ماندگاری را با استفاده از تابع سیگموید برآورد کرد. درخت تصمیم نیز یک طبقه‌بند غیرخطی ساده بود که فضای ویژگی‌ها را با آستانه‌هایی تقسیم می‌کرد که ناخالصی گروه‌ها را کاهش می‌دهند. ماشین بردار پشتیبان با هسته تابع پایه شعاعی برای بررسی این موضوع به کار رفت که آیا یادگیری مبتنی بر حاشیه می‌تواند طبقه‌بندی ماندگاری را بهبود دهد یا خیر. جنگل تصادفی با ساخت چندین درخت تصمیم بر اساس نمونه‌های بوت‌استرپ و ترکیب پیش‌بینی‌های آن‌ها از طریق رأی‌گیری اکثریت، خطر بیش‌برازش در یک درخت منفرد را کاهش می‌داد. پرسپترون چندلایه نیز به‌عنوان مدل پایه شبکه عصبی انتخاب شد تا روابط غیرخطی را از طریق لایه‌های پنهان و توابع فعال‌سازی بیاموزد. چهار گونه تقویت گرادیانی نیز بررسی شدند: الگوریتم کلاسیک تقویت گرادیانی که درخت‌ها را به‌صورت متوالی می‌سازد تا خطاهای مراحل قبلی را اصلاح کند؛ XGBoost که جریمه‌های منظم‌سازی و هرس کارآمد درخت‌ها را به کار می‌گیرد؛ LightGBM که برای افزایش بهره‌وری محاسباتی، درخت‌ها را بر اساس برگ‌ها گسترش می‌دهد؛ و CatBoost که برای مدیریت ویژگی‌های دسته‌ای مانند جنسیت، شغل و ویژگی‌های مربوط به ژانر بهینه شده است.
مدل دهم، TabPFN 2.5، از نظر ساختار با خانواده الگوریتم‌های تقویت گرادیانی تفاوت اساسی دارد. این مدل به‌جای آنکه مجموعه‌ای از درخت‌ها باشد، یک مدل پایه برای داده‌های جدولی است که از دانش پیشین آموخته‌شده از مجموعه بزرگی از مسائل جدولی مصنوعی بهره می‌گیرد و آن را برای استنتاج روی مجموعه‌داده‌ای جدید به کار می‌برد. پژوهشگران این مدل را وارد مقایسه کردند تا مشخص شود آیا یک مدل پایه جدید می‌تواند پیش‌بینی ماندگاری را بر اساس ویژگی‌های جدولی مهندسی‌شده بهبود دهد یا خیر. فرایند آموزش بر اساس یک پروتکل دقیق انجام شد: داده‌ها به نسبت ۸۰ به ۲۰ به مجموعه‌های آموزش و آزمون تقسیم شدند و برای مجموعه آموزش، اعتبارسنجی متقاطع پنج‌بخشیِ طبقه‌بندی‌شده به کار رفت تا نسبت کاربران ماندگار و ازدست‌رفته در هر بخش حفظ شود. نکته مهم این بود که تقسیم داده‌ها با در نظر گرفتن زمان انجام شد، نه با درهم‌آمیختن تصادفی تعاملات گذشته و آینده. ویژگی‌ها فقط با استفاده از تعاملات ثبت‌شده در یک پنجره زمانی مشاهده ساخته شدند و برچسب ماندگاری نیز بر اساس رفتار کاربر در ۳۰ روز بعد تعیین شد؛ طراحی‌ای که هدف آن کاهش نشت اطلاعات بود. ابرپارامترها با جست‌وجوی شبکه‌ای همراه با اعتبارسنجی متقاطع بهینه شدند و برای تضمین بازتولیدپذیری، همه آزمایش‌ها با بذر تصادفی یکسان تکرار شدند.
نتایج، برتری روش جدیدتر را تأیید کردند. TabPFN 2.5 در مجموعه آزمون کنارگذاشته‌شده، در تمام معیارهای گزارش‌شده بالاترین امتیازها را کسب کرد: دقت ۰٫۸۱۴، صحت پیش‌بینی مثبت (Precision) برابر با ۰٫۷۸۹، فراخوانی (Recall) برابر با ۰٫۷۴۱، امتیاز F1 برابر با ۰٫۷۶۴، مساحت زیر منحنی ROC برابر با ۰٫۸۶۶ و ویژگی‌مندی (Specificity) برابر با ۰٫۸۶۲. در میان مدل‌های متعارف و قابل‌تفسیر مبتنی بر مجموعه‌ای از درخت‌ها، الگوریتم کلاسیک تقویت گرادیانی بهترین عملکرد را داشت؛ دقت آن ۸۰٫۲ درصد، امتیاز F1 آن ۰٫۷۵۲ و AUC آن ۰٫۸۵۲ بود. XGBoost، LightGBM و CatBoost نیز با فاصله‌ای اندک در رتبه‌های بعدی قرار گرفتند. تحلیل معناداری آماری بر اساس بخش‌های اعتبارسنجی متقاطع و با استفاده از AUC به‌عنوان معیار اصلی مقایسه نشان داد که تقویت گرادیانی به‌طور معناداری از الگوریتم‌های ساده‌تر، از جمله رگرسیون لجستیک، درخت تصمیم، ماشین بردار پشتیبان و جنگل تصادفی، بهتر عمل می‌کند؛ بااین‌حال، تفاوت آن با پرسپترون چندلایه و گونه‌های بهینه‌شده تقویت گرادیانی از نظر آماری معنادار نبود. در مقابل، عملکرد TabPFN 2.5 به‌طور آماری معنادار بهتر از تقویت گرادیانی بود؛ نتیجه‌ای که با عملکرد آن در مجموعه آزمون همخوانی داشت. منحنی‌های ROC و منحنی‌های صحت‌ـ‌بازیابی نیز همین ترتیب کلی را تأیید کردند. TabPFN 2.5 و XGBoost بهترین توازن کلی میان صحت و بازیابی را نشان دادند و ماتریس‌های درهم‌ریختگی نرمال‌شده نیز حاکی از آن بود که TabPFN 2.5 در عملکرد تفکیک‌شده برای هر یک از دو گروه، بهترین نتیجه را به دست آورده است.
تحلیل اهمیت ویژگی‌ها که عمدتاً با استفاده از مدل قابل‌تفسیر تقویت گرادیانی انجام شد، مشخص کرد کدام متغیرها بیشترین نقش را در پیش‌بینی ماندگاری دارند. ویژگی‌های رفتاری و زمانی در صدر قرار گرفتند: نرخ امتیازدهی، فاصله زمانی میان امتیازها و تنوع ژانرها قوی‌ترین پیش‌بینی‌کننده‌ها بودند و تازگی فعالیت نیز تأثیر زیادی داشت. کاربران ماندگار معمولاً با دفعات بیشتری امتیاز ثبت می‌کردند، فاصله کوتاه‌تری میان تعاملاتشان وجود داشت و در ژانرهای متنوع‌تری، به‌ویژه درام و اکشن، مشارکت داشتند. آمار توصیفی نیز نشان داد که کاربران ماندگار در مقایسه با کاربران ازدست‌رفته، الگوی امتیازدهی باثبات‌تر و متنوع‌تری داشتند و فاصله زمانی میان فعالیت‌هایشان کوتاه‌تر بود. عوامل جمعیت‌شناختی نیز تا حدی قدرت پیش‌بینی داشتند: احتمال ماندگاری کاربران جوان‌تر و افرادی که در گروه‌های شغلی دانشجویی یا فنی قرار می‌گرفتند بیشتر بود. همچنین نرخ ریزش در میان کاربران زن اندکی بالاتر از کاربران مرد بود، اما اثر جنسیت و محل سکونت در مقایسه با عوامل رفتاری ضعیف‌تر بود. پژوهشگران این الگوها را با توجه به تفاوت میان خانواده‌های مدل تفسیر کردند: مدل‌های خطی می‌توانند اثرهای جمع‌پذیرِ فراوانی و تازگی فعالیت را ثبت کنند، درحالی‌که مدل‌های مبتنی بر درخت و الگوریتم‌های تقویت گرادیانی در شناسایی رفتارهای آستانه‌ای و تعاملات غیرخطی توانمندترند. آزمایش‌های حساسیت با آستانه‌های عدم فعالیت هفت، ۱۴ و ۶۰ روزه نشان دادند که عملکرد مطلق مدل‌ها به آستانه انتخاب‌شده بستگی دارد؛ بااین‌حال، جایگاه نسبی مدل‌ها ثابت ماند و تقویت گرادیانی همواره در میان روش‌های برتر قرار داشت.
نویسندگان درباره معنای این یافته‌ها با احتیاط سخن می‌گویند. از آنجا که مجموعه‌داده MovieLens 1M تعاملات تاریخی کاربران را از حدود دو دهه پیش منعکس می‌کند، نتایج را باید در درجه نخست معیاری روش‌شناختی، شفاف و تکرارپذیر برای مدل‌سازی ماندگاری دانست، نه بازنمایی مستقیمی از رفتار کاربران پلتفرم‌های رسانه‌ای امروزی یا الگوهای مصرف محتوای معاصر. به تأکید پژوهشگران، دستاورد اصلی مطالعه ارائه الگوریتمی کاملاً جدید نیست، بلکه توسعه چارچوبی شفاف بر پایه داده‌های عمومی است که نشان می‌دهد پیش‌بینی ماندگاری را می‌توان با ویژگی‌های قابل‌فهم و شرایط آزمایشی استاندارد، به‌طور دقیق روی یک مجموعه‌داده معیار عمومی ارزیابی کرد. پژوهش‌های آینده می‌توانند با افزودن داده‌هایی مانند مدت تماشای محتوا یا کلیک‌های کاربران در پلتفرم‌های پخش آنلاین، مدل‌ها را غنی‌تر کنند؛ همچنین می‌توان از مدل‌های توالی‌محور مانند شبکه‌های حافظه بلندمدت کوتاه‌مدت (LSTM) یا ترنسفورمرها برای تحلیل رفتارهای متغیر کاربران در طول زمان بهره گرفت و قابلیت تعمیم مدل‌ها را با استفاده از داده‌های سرویس‌های امروزی سنجید. انجام مطالعات حذف مؤلفه‌ها نیز می‌تواند سهم گروه‌های مختلف ویژگی را روشن‌تر کند. برای شرکت‌های رسانه‌ای، پیام کاربردی پژوهش روشن است: شیوه تعامل کاربران با پلتفرم، از نظر فراوانی، ثبات و تنوع، بسیار بیشتر از ویژگی‌های هویتی آن‌ها درباره احتمال ماندگاری‌شان اطلاعات می‌دهد. بنابراین، پایش رفتار کاربران و اجرای به‌موقع اقدامات افزایش تعامل ممکن است در کاهش زیان‌های ناشی از ریزش کاربران مؤثرتر از هدف‌گیری بر اساس ویژگی‌های جمعیت‌شناختی باشد.
موضوع پژوهش: مدل‌سازی پیش‌بینانه ماندگاری کاربران بر اساس رفتار آنلاین، با استفاده از مجموعه‌داده MovieLens 1M و ده مدل یادگیری ماشین.
عنوان مقاله پژوهشی: مدل‌سازی پیش‌بینانه ماندگاری کاربران بر اساس رفتار آنلاین در پلتفرم‌های خدمات رسانه‌ای.
مشخصات منبع علمی: Chen, J., & Chen, D. (2026). Predictive modeling of user retention based on online behavior in media service platforms. Discover Artificial Intelligence, 6(1), Article 1008. https://doi.org/10.1007/s44163-026-02043-z
اعتبار تصویر: تولیدشده با هوش مصنوعی.
شناسه دیجیتال مقاله (DOI): 10.1007/s44163-026-02043-z
کلیدواژه‌ها: ماندگاری کاربران، پیش‌بینی ریزش کاربران، یادگیری ماشین، MovieLens، TabPFN، تقویت گرادیانی، پلتفرم‌های رسانه‌ای، داده‌های رفتاری، مهندسی ویژگی‌ها، بازتولیدپذیری، مدل‌های پایه داده‌های جدولی، Discover Artificial Intelligence.
منبع خبر: بلیک دیویدسون، ۲۶ اکتبر ۲۰۲۶، «چارچوب یادگیری ماشین مبتنی بر داده‌های عمومی، ماندگاری کاربران در پلتفرم‌های رسانه‌ای را پیش‌بینی می‌کند»، Scienmag.