В основе исследования лежит анализ социальных сетей (SNA) - современное направление исследований, проводимых для понимания различных аспектов социальной сети в целом, а также ее отдельных узлов (пользователей). Аккаунты пользователей в социальных сетях предоставляют подробную информацию, характеризующую личность пользователя, его интересы, увлечения и отражающую его текущее состояние. Важным инструментом анализа социальных сетей являются различные алгоритмы машинного обучения, которые на основе наборов характеристик (данные социальных сетей) делают различного рода предсказания. Однако большинство современных мощных методов машинного обучения представляет собой 'черный ящик', и поэтому появляется задача интерпретации и объяснимости их результатов. Цель исследования: обосновать возможности использования модели XGBClassifier, построенной на основе алгоритмов машинного обучения, для последующего прогнозирования успешности пользователей социальной сети 'ВКонтакте' и выявления наиболее значимых прогностических параметров на основе метода SHAP (SHapley Additive exPlanations).
The research is based on Social Network Analysis (SNA), a modern line of research conducted to understand various aspects of the social network as a whole, as well as its individual nodes (users). User accounts on social networks provide detailed information describing the user's personality, interests, hobbies and reflecting their current state. An important tool for social network analysis is various machine learning algorithms that make different kinds of predictions based on sets of characteristics (social network data). However, most of today's powerful machine learning methods are 'black box', and so the task of interpreting and explaining their results arises. The aim of the study: to substantiate the possibility of using the XGBClassifier model based on machine learning algorithms to further predict the success of users in the social network 'VKontakte' and to identify the most significant predictive parameters based on the SHAP (SHapley Additive exPlanations) method.
