Приложение поиска, анализа и прогнозирования данных в социальных сетях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье описывается веб-сервис, предназначенный для поиска, выгрузки и анализа данных из социальных сетей и мессенджеров, а также демонстрируется его применение для исследования сообществ социальной сети «Вконтакте». Веб-сервис позволяет выявлять типичные профили пользователей сообществ, оценивать эмоциональную окраску постов и комментариев, а также прогнозировать вектор развития сообществ. Описанный в работе веб-сервис обладает обширными функциональными возможностями и оригинальной нейросетевой моделью классификации текстов произвольной длины по эмоциональной окраске. Представлены примеры работы инструмента для анализа развития сообществ автомобильных брендов. Анализ охватывает миллионные аудитории подписчиков, десятки тысяч постов и сотни тысяч комментариев, что подтверждает релевантность выборок и достоверность результатов.

Об авторах

Сергей Александрович Сластников

Национальный исследовательский университет Высшая школа экономики

Автор, ответственный за переписку.
Email: sslastnikov@hse.ru

доцент, кандидат технических наук

Россия, Москва

Лилия Фаилевна Фаилевна

Национальный исследовательский университет Высшая школа экономики

Email: lfzhukova@hse.ru

доцент, кандидат физико-математических наук

Россия, Москва

Илья Владимирович Семичаснов

Национальный исследовательский университет Высшая школа экономики

Email: isemichasnov@hse.ru

директор

Россия, Москва

Список литературы

  1. Smetanin S. Pulse of the Nation: Observable Subjective Well-Being in Russia Inferred from Social Network Odnoklassniki [Электронный ресурс] // Mathematics. – 2022. – Vol. 10(16). No. 2497. – URL: https://doi.org/10.3390/math10162947 (дата обращения 19.10.2022).
  2. Ковалева Ю.В., Журавлев А.Л. Общественное настроение и субъективность сетевого сообщества в период пандемии COVID-19: на примере социальной сети твиттер// Институт психологии российской академии наук. Социальная и экономическая психология. – 2020. – N 2 (18). – С. 151 188.
  3. Докука С. В., Валеева Д. Р. Статистические модели для анализа динамики социальных сетей в исследованиях образования// Вопросы образования. – 2015. – N 1. – С. 201 213.
  4. Социальные сети как инструмент изучения психологического портрета потребителя [Электронный ресурс]. – URL: https://econet.ru/articles/69899-sotsialnye-seti-kakinstrument-izucheniya-psihologicheskogo-portretapotrebitelya (дата обращения 19.10.2022).
  5. Анализ личности по социальным сетям как эффективный метод подбора кадров [Электронный ресурс]. – URL: https://www.4dk.ru/news/d/20181005135017- analiz-lichnosti-po-sotsialnym-setyam-kak-effektivnyymetod-podbora-kadrov (дата обращения 19.10.2022).
  6. Ilić S. et al. Deep contextualized word representations for detecting sarcasm and irony //arXiv preprint arXiv:1809.09795. – 2018.
  7. Ke G. et al. Lightgbm: A highly efficient gradient boosting decision tree //Advances in neural information processing systems. – 2017. – Т. 30.
  8. Sparck Jones K. A statistical interpretation of term specificity and its application in retrieval //Journal of documentation. – 1972. – Т. 28. – №. 1. – С. 11-21.
  9. Rogers A. et al. RuSentiment: An enriched sentiment analysis dataset for social media in Russian //Proceedings of the 27th international conference on computational linguistics. – 2018. – С. 755-763.
  10. Sidorov N., Slastnikov S. Some Features of Sentiment Analysis for Russian Language Posts and Comments from Social Networks //Journal of Physics: Conference Series. – IOP Publishing, 2021. – Т. 1740. – №. 1. – С. 012036.
  11. Blinov V., Bolotova-Baranova V., Braslavski P. Large dataset and language model fun-tuning for humor recognition //Proceedings of the 57th annual meeting of the association for computational linguistics. – 2019. – С.4027-4032.
  12. Пикабу. [Электронный ресур]. – URL.: https://pikabu.ru (дата обращения 29.10.2022).
  13. Лидеры и аутсайдеры авторынка РФ в 2021 году [Электронный ресурс]. – URL: https://www.autostat.ru/infographics/50415/ (дата обращения 23.10.2022).
  14. Идеальная длина публикаций для соцсетей [Электронный ресурс]. – URL: https://rusability.ru/pfanshtil/idealnaya-dlina-publikatsiidlya-sotssetei/5fd295792dda593c3483df32 (дата обращения 24.10.2022).
  15. KPI в SMM: как оценить эффективность продвижения в социальных сетях? [Электронный ресурс]. – URL: https://vk.com/@smmmad-kpi-v-smm-kak-ocenit- effektivnost-prodvizheniya-v-socialnyh (дата обращения 24.10.2022).
  16. Система мониторинга и анализа социальных медиа и СМИ [Электронный ресурс]. – URL: https://branalytics.ru/ (дата обращения 28.10.2022).
  17. Медиалогия: мониторинг СМИ и соцсетей, инструмент оценки эффективности коммуникаций [Электронный ресурс]. – URL: https://www.mlg.ru/ (дата обращения 28.10.2022).
  18. Kostenetskiy P.S., Chulkevich R.A., Kozyrev V.I. HPC Resources of the Higher School of Economics // Journal of Physics: Conference Series. – 2021. – T. 1740. – №1. – С. 012050.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).