社交媒体后调度优化建模
社交媒体后调度优化建模
提问于 2018-03-09 22:33:29
问题：
我想通过优化发布时间来最大化社交媒体帖子的表现。
电流模型：
X: publishing_datetime, post_attribute_1, ..., post_attribute_n
y: performance期望模型：
X: post_attribute_1, ..., post_attribute_n
y: publishing_datetime所需的模型应该预测最优的publishing_datetime，以使性能最大化。一旦数据可以这样建模，这个问题就用回归神经网络解决了。
我尝试过的：
过滤具有高于平均性能的帖子，并使用它们的属性和publishing_datetime来形成我想要的模型。
这是不理想的，因为许多数据未使用，而具有特别大的性能影响的帖子，就像刚刚高于平均水平的帖子一样。
对如何实现这种模式转换有什么建议吗？
所有的想法和替代办法都是非常受欢迎的。提前感谢！
回答 2
Data Science用户
发布于 2021-08-13 06:20:28
您可能会混淆目标和功能的可解释性。
您可能希望目标是性能和日期时间，作为一个可以解释的特性。
如果日期时间是按时代时间编码的，那么它可能是稀疏的，是有用的。您可能需要构造许多日期时间特性，示例包括:一天中的时间、一周中的一天、一天中的一天和一年中的一天。结果将是一个可以预测不同时间对性能的影响的模型。
Data Science用户
发布于 2021-09-17 02:36:21
一种方法是将问题构造为分类问题，将一周时间分成3000万个时段。
您需要仔细定义成功的标签--在规范化频道活动和寻找高z分数之后。
这样，您仍然可以使用您想要的功能。
为了进一步改进模型，您需要使用季节性数据和假日。(您可以从先知获得这些特性
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/28910
复制相关文章
相似问题
腾讯云开发者
