УДК 303:004.77
https://doi.org/10.20339/AM.02-21.106
К.А. Малышенко,
канд. экон. наук, доц.
кафедры «Финансы и кредит»
e-mail: konstantinanatolevicmalysenko@gmail.com
Д.В. Анашкин,
студент
Гуманитарно-педагогическая академия — филиал Крымского федерального университета
имени В.И. Вернадского в г. Ялта, Россия
Анализируется проблема прогнозирования пользовательских настроений в социальных сетях. Исследованы свойства информационных объектов социальной сети и представлен метод сбора и обработки социальных данных для проведения прогноза. Целью данного исследования является доказательство или опровержение возможности прогнозирования пользовательских настроений в социальных сетях. Составлена дискретная модель социальной сети. На основе статистических характеристик дискретной модели, а также алгоритмов поиска и систематизации информационных объектов сформулированы теоретические основы прогнозирования. Предложен и описан метод, позволяющий прогнозировать реакцию пользователей на сообщение, опубликованное в социальной сети. Сформулирована и доказана гипотеза о возможности проведения прогноза пользовательских настроений в социальных сетях. Была доказана возможность составления прогноза пользовательских настроений в социальных сетях. Представлен новый метод, позволяющий прогнозировать реакцию пользователей на опубликованную новость, основанный на принципах машинного обучения. Результаты работы могут найти свое применение в сфере малого и среднего бизнеса при непосредственном поиске целевой аудитории для увеличения доходности предприятия. Развитие методов анализа настроений позволит проводить планирование мер для сдерживания или ускорения распространения сообщений. Также прикладное значение в разработке модели прогнозирования может лежать в сфере развития новостных источников или выявлении трендов. Научная значимость работы заключается в представлении метода, позволяющего прогнозировать реакцию пользователей социальных сетей на опубликованную новость. Результаты данной работы могут быть применены для улучшения работы социальных сетей и для решения проблемы «холодного» старта (что показывать новым пользователям).
Ключевые слова: динамические статистические модели, социальные данные, компьютерная лингвистика, машинное обучение, контент-анализ.
Литература
1. Ахметова А.Ж. Проблемы анализа компьютерных социальных сетей // Вопросы технических и физико-математических наук в свете современных исследований: Сборник статей по материалам VII–VIII Международной научно-практической конференции. М., 2018. С. 9–15.
2. Батура Т.В., Мурзин Ф.А., Проскуряков А.В. Программный комплекс для анализа данных из социальных сетей // Программные продукты и системы. Международный научно-практический журнал. 2015. № 4. С. 188–197.
3. Богданов А.Л., Дуля И.С. Сентимент-анализ коротких русскоязычных текстов в социальных медиа // Вестник Томского государственного университета. Серия «Экономика». 2019. № 47. С. 220–241.
4. Гданский Н.И., Крашенников А.М., Коняев А.Ю. Исследование и прогнозирование динамики информационных процессов в социальных сетях на основе использования дискретных моделей // Российский государственный социальный университет. Серия «Социальная политика и социология». 2015. № 2 (108). С. 40–46.
5. Гринев Д.В., Бойко Д.С., Голуб М.А. Использование веб-сайтов и социальных сетей в электронной коммерции // Харьковский национальный экономический университет им. С. Кузнеца. Системы управления, навигации и связи. 2018. № 1 (47). С. 99–104.
6. Докука С.В., Валеева Д.Р. Статистические модели для анализа динамики социальных сетей в исследованиях образования // Вопросы образования. 2015. № 1. С. 201–213.
7. Лебедев И.В., Карпов И.А., Лось В.П., Самолетова К.С. Анализ методов машинного обучения для прогнозирования популярности сообщений в социальных сетях // Проблемы информационной безопасности. Компьютерные системы. 2018. № 1. С. 18–25.
8. Лысенко В.Д. Анализ тональности текста для прогнозирования цен на фондовом рынке // Молодой ученый. 2018. № 22 (208). С. 420–423.
9. Минашкин В.Г., Садовникова Н.А., Шмойлова Р.А. Бизнес-статистика и прогнозирование. М.: Евразийский открытый институт, 2010.
10. Остапенко А.Г., Паринов А.В., Щербаков В.Б., Девяшин А.О., Остапенко О.А. Проблематика построения дискретных моделей информационной диффузии в социальных сетях // Информация и безопасность. 2017. № 20 (1). С. 95–100.
11. Полякова А.Г., Колмаков В.В., Мирзабекова М.Ю. Сетевой анализ организации социально-экономических процессов // Научно-технические ведомости СПбГПУ. Серия «Экономические науки». 2019. № 12 (3). С. 60–73.
12. Попова Е.П., Леоненко В.Н. Прогнозирование реакции пользователей в социальных сетях методами машинного обучения // Научно-технический вестник информационных технологий, механики и оптики. 2020. № 1 (1). С. 118–124.
13. Рассел М., Классен М. Data Mining. Извлечение Информации из Facebook, Twitter, Linkedln, GitHub. М.: Питер, 2020.
14. Рязанова Н.Ю., Сперцян К.М. Сравнительный анализ методов определения эмоциональной окраски сообщений в социальных сетях с применением обучения с учителем // Новые информационные технологии в автоматизированных системах. 2018. № 21. С. 417–423.
15. Сивоголовко Е.В. Методы обобщающей кластеризации при анализе социальных сетей // Программные продукты и системы. Международный научно-практический журнал. 2011. № 4. С. 98–101.
16. Харламов А.А., Ермоленко Т.В., Жонин А.А. Моделирование динамики процессов на основе анализа последовательности текстовых выборок // Инженерный вестник Дона. 2013. № 4 (27). С. 90–95.
Исследование выполнено при финансовой поддержке РФФИ и ЭИСИ в рамках научного проекта № 20-011-31388 опн.
.png)
