Разработка и применение моделей машинного обучения, способных предсказывать реакции пользователей в социальных сетях на основе их поведения и контекста общения

Работа сдана в 2024 году.

Целью данного исследования является разработка и применение моделей машинного обучения, способных предсказывать реакции пользователей в социальных сетях на основе их поведения и контекста общения. Мы также рассмотрим различные методы анализа текстов и изображений, которые помогут понять смысл и контекст пользовательских сообщений и публикаций.

Данная работа важна не только с научной точки зрения, но и имеет практическое значение для различных областей деятельности, где социальные сети играют существенную роль во взаимодействии с аудиторией и формировании мнений. 

Введение 4

Глава 1: Прогнозирование реакций пользователей в социальных сетях методами машинного обучения 6

1.1 Актуальность темы: 7

1.2 Методы машинного обучения 14

1.2.1 История развития МО 14

1.2.2 Основные принципы МО 14

1.2.3 Виды задач МО 15

1.2.4 Преимущества использования МО 16

1.2.5 Примеры применения МО 17

1.2.6 Популярные алгоритмы МО 17

1.2.7 Этапы применения МО 18

1.2.8 Метрики качества модели 19

1.2.9 Ограничения МО 19

1.2.10 Ответственное использование МО 19

1.2.11 Интерпретация результатов МО 20

1.2.12 Обработка и предобработка данных 20

1.2.13 Разделение данных 20

1.2.14 Выбор оптимальных гиперпараметров 20

1.2.15 Тьюнинг модели 20

1.2.16 Обновление и поддержка модели 21

1.2.17 Развитие и исследования в области МО 21

Глава 2: Теоретические основы применения методов машинного обучения для прогнозирования реакций пользователей в социальных сетях 22

2.1 Обзор методов машинного обучения для анализа социальных данных 22

2.2 Обзор методов классификации в машинном обучении для анализа социальных данных 23

2.3. Наивный байесовский метод (Naive Bayes) 27

2.4. Линейный дискриминантный анализ (Linear Discriminant Analysis) 30

2.5. Логистическая регрессия (Logistic Regression) 32

2.6. Метод k-ближайших соседей (k-NN) 35

Классификация методом k-NN 35

Глава 3: Программная реализация модели классификации отзывов в социальных сетях 38

Выводы 46

Список литературы 48

1.             Mitchell, T. M. (1997). Machine Learning. McGraw Hill.

2.             Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.

15-21.

11.        ....

33.         Liu, Y., Li, F., Li, M., Liu, J., & Tang, L. (2017). A survey of opinion mining and sentiment analysis. Journal of Intelligent Information Systems, 48(3), 411-479.

34.         Liu, Y., Huang, X., An, A., & Yu, X. (2007). ARSA: A sentiment-aware model for predicting sales performance using blogs. In Proceedings of the 30th annual international ACM SIGIR conference on Research and development in information retrieval (pp. 607-614).

35.         Mohammad, S. M., & Turney, P. D. (2013). Crowdsourcing a word–emotion association lexicon. Computational Intelligence, 29(3), 436-465.

36.         Ravi, K., & Ravi, V. (2015). A survey on opinion mining and sentiment analysis: tasks, approaches and applications. Knowledge-Based Systems, 89, 14-46.

37.         Mohammad, S. M., & Bravo-Marquez, F. (2017). Emotion intensity ranking of words using Valence-Arousal-Dominance. arXiv preprint arXiv:1704.04193.

38.         Taboada, M., Brooke, J., Tofiloski, M., Voll, K., & Stede, M. (2011). Lexicon-based methods for sentiment analysis. Computational linguistics, 37(2), 267-307.

39.         Cambria, E., Schuller, B., Xia, Y., & Havasi, C. (2013). New avenues in opinion mining and sentiment analysis. IEEE Intelligent Systems, 28(2), 15-21.

40.         Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1–2), 1-135.