چگونه یادگیری ماشینی برای پیش‌بینی علایق کاربر در شبکه‌های اجتماعی
با گذشت زمان هرچقدر که میزان محتوای موجود در شبکه‌های اجتماعی افزایش میابد، فیلتر کردن و نمایش دادن محتوای مرتبط برای هر کاربر نیز سختر می‌شود. در یک کنفرانس خبرری که در سال 2017 صورت گرفته بود، مهندسانی از شرکت‌های مختلف شبکه‌های ایجتماعی از جمله اینستاگرام و لینکدین در این کنفرانس حضور داشته‌اند و درباره چگونه یادگیری ماشینی به آسان‌سازی انجام عمل یادشده یاری می‌رساند، به بحث و تبادل نظر پرداختند.
توماس دیمسون مهندسان داده در اینستاگرام، بیان کرد:
سال گذشته (2016)، اینستاگرام نحوه‌ی نمایش محتوا در برنامه خود را از حالتی با ترتیب تاریخی به حالتی با شخصی‌سازی بیشتر تغییر داد؛ برای این منظور از یادگیری ماشینی برای پیش‌بینی آنچه کاربران می‌پسندند و به اشتراک می‌گذارند، استفاده شد. این شرکت با بررسی و دنبال کردن فعالیت کاربران در این پلتفرم، نظیر لایک‌ها و اشتراک‌گذاری‌ها، به یادگیری نحوه‌ی رفتار کاربران و یافتن محتوای مورد علاقه‌ی آن‌ها پرداخت. نمایش محتوای مرتبط با علاقه‌ی کاربران علاوه بر اینکه کار بسیار بزرگی است، وظیفه‌ای سنگین نیز به شمار می‌رود. ما همواره در تلاش هستیم تا رضایت کاربران را به معیارهای مشخصی تبدیل نماییم. البته که استفاده‌ی تجاری از یادگیری ماشینی دارای اشتیاق و هیجان بالایی می‌باشد؛ اما نوع فناوری‌هایی که یادگیری ماشینی می‌تواند در آن‌ها به کار رود، به‌شدت متحیرکننده است. به لطف ابداعات صورت گرفته نظیر یادگیری عمیق، برخی از دشوارترین مشکلات موجود در هوش مصنوعی در حال برطرف شدن می‌باشند. این مسئله استفاده‌ی مردم از هوش مصنوعی را آسان‌تر و فراگیرتر ساخته و من فکر می‌کنم که این اتفاق خوبی است.
همچنین لینکدین به اتکا بر داده‌های موجود در پروفایل‌ها، نظیر علایقی که کاربران برای شخصی‌سازی فید خبری خود ذکر کرده‌اند پرداخت؛ ارن برگر، معاون مهندسی لینکدین، بیان کرد:
هنگامی که کاربری به لینکدین برای چک کردن فید خبری خود، برمی‌گردد، تمام تلاش‌ها در جهت ساختن فهرستی از مرتبط‌ترین محتوای موجود برای او، در آن زمان به‌خصوص قرار دارد. زمانی که وظیفه‌ی خود را در مرتبط ساختن محتوای کاربران با علایق آن‌ها انجام می‌دهید، درگیر کردن آن‌ها با محتوا مورد علاقشان را بهبود می‌بخشید.
هردوی این شرکت‌ها پیچیدگی‌های داده‌های کاربران را در مقیاس بسیار بزرگ مدیریت می‌کنند. این عمل زمانی که نیاز به پردازش برخی از داده‌ها در زمان واقعی وجود دارد به‌مراتب دشوارتر و سختر است.
