Key points are not available for this paper at this time.
Zweck: Die Arbeit untersucht die Verwendung von Wissensgraphen zur Analyse und Modellierung sozialer Interaktionen auf der YouTube-Plattform. Die Studie verwendet fortgeschrittene Datenstrukturen, um tiefere Einblicke in die Dynamik der Community und das Benutzerengagement im digitalen Raum zu gewinnen. Design/Methodologie/Ansatz: Die Studie verwendet einen Mixed-Methods-Ansatz, der die Echtzeitdatenextraktion aus der Live-Chat-Funktion von YouTube mit dem Aufbau von Wissensgraphen kombiniert, um komplexe Beziehungen zwischen Benutzern, Inhalten und Interaktionen abzubilden. Die Daten werden mithilfe einer Neo4j-Grafdatenbank verwaltet und mit Redis-Warteschlangenmechanismen und Kubernetes für verteiltes Rechnen verarbeitet, um Skalierbarkeit und Flexibilität im Datenhandling zu gewährleisten. Ergebnisse: Die Studie zeigt, dass Wissensgraphen ein solides Rahmenwerk bieten, um das komplexe Netzwerk sozialer Interaktionen auf YouTube zu erfassen und zu analysieren. Durch die Integration von Techniken der natürlichen Sprachverarbeitung (NLP) verarbeitet das entwickelte Rahmenwerk effektiv Anfragen und zeigt Benutzerinteraktionen. Praktische Implikationen: Die Ergebnisse der Studie bieten bedeutende Implikationen für die Entwicklung ausgeklügelterer Empfehlungssysteme und Analysetools, die sich dynamisch an neue Daten und Benutzerverhalten anpassen. Die Implementierung von Wissensgraphen kann Plattformdesignern und Vermarktern helfen, das Benutzerengagement und die Popularität von Inhalten besser zu verstehen, was zu gezielteren und effektiveren Strategien führt. Originalität/Wert: Der Artikel trägt zum Bereich der digitalen Analytik bei, indem er eine neue Anwendung von Wissensgraphen in der Analyse sozialer Medien präsentiert. Er betont die erweiterten Fähigkeiten graphbasierter Datenstrukturen in Kombination mit der Echtzeitdatenverarbeitung und NLP.
Przysucha et al. (Wed,) haben diese Frage untersucht.