Інтелектуальна система аналізу реакцій на новини на основі даних Телеграм-каналів
DOI:
https://doi.org/10.17721/1812-5409.2022/3.7Ключові слова:
обробка nриродної мови, аналіз тональності тексту, наївний баєсів класифікатор, соціальні медіа, ТелеграмАнотація
У даній статті представлено опис системи інтелектуального аналізу та прогнозування реакцій на новини на основі даних Телеграм-каналів. 3аnроnоновано механізм збирання та попередньої обробки наборів даних для запропонованої системи, oпиcaно методику тематичного аналізу отриманих даних та модель, що використовується системою для отримання прогнозів реакцій на Телеграм-повідомлення в контексті від його тексту.
Сторінки у випуску: 55 - 61
Мова статті: українська
Посилання
MONDAL A., DEY M., DAS D., NAGPAL S. and GARDA K. (2018) Chatbot: An automated conversation system for the educational domain 2018 International Joint Symposium on Artificial Intelligence and Natural Language Processing iSAI-N P pp 1-5.
KARIMPOUR D., CHAHOOKI M. A.Z. and HASHEMI A. (2021) User recommendation based on Hybrid filtering in Telegram messenger 26th International Computer Conference, Computer Society of Iran CSICC pp 1-7
HASHEMI A. and ZARECHAHOOKI M.A. (2019) Telegram group quality measurement by user behavior analysis Social Network Analysis and Mining 9(1) pp 1-12.
KARIMPOUR D., ZARECHAHOOKI M.A. and HASHEMIA. (2021) User recommendation in Telegram messenger by graph analysis and mathematical modeling of users behavior Journal of Information and Communication Technology 49(49) pp 151-172
EICHSTAEDT J. C., SMITH R. J., MERCHANT R. M., UNGAR L. H., CRUTCHLEY P., PREOIUC-PIETRO D. and SCWARTZ H.A. (2018) Facebook language predicts depression in medical records Proceedings of the National Academy of Sciences 115(44) pp 11203-11208
KACHAMAS P., AKKARADAMRONGRAT S., SINTHUPINYO S. and CHANDRACHAI A. (2019) Application of artificial intelligent in the prediction of consumer behavior from Facebook posts analysis International Journal of Machine earning and Computing 9(1) pp 91-97
ESSIEN A., PETRUONIAS I., SAMPAIO P. and SAMPAIO S. (2021) A deep-learning model for urban traffic flow prediction with traffic events mined from twitter World Wide Web 24(4) pp 1345-1368
Telegram APIs Available from: https://core telegram org/
Code of the program realization Available from: https://github com/ KosukhaOlexandr/ reactions prediction/blob/main/clear dataset py
MOSTELLER F and WALLACE D L (2007) hnference and disputed authorship: The Federalist Stanford Univ Center for the Study
KOZAK YE B (2021) Pryncypy vprovadz:hennya mashynnogo navchannya v sheri intelektualnogo obslugovuvannya promuslovogo obladnannya Tavriiskyi naukovyi visnyk Seria: Tehnichni nauky (3) pp 19-28
BhLETSKhY T P and FEDASYK D V (2021) Prognoz:uvannya defektiv v programnomu z:abez:pechenni algorytmamu glubunnogo navchannya CNN ta RNN Naukovyi visnyk N TU 31(2) pp 114-120
AHMAD F , TANG X W , QhU J N , WRBLEWSKh P , AHMAD M and JAMhL h (2022) Prediction of slope stability using Tree Augmented Naive-Bayes classifier: Modeling and performance evaluation Math Biosci Eng 19 pp 4526-4546
KEWSUWUN N and KAJORNKAShRAT S. (2022) A sentiment analysis model of agritech startup on Facebook comments using naive Bayes classifier International Journal of Electrical 8 Computer Engineering (2088- 8708) 12(3)
CORTES C and VAPNhK V (15) Support- Vector Networks Machine eaming 20 pp 273 297
JOSE C , GOYAL P , AGGRWAL P and VARMA M (2013) Local deep kernel learni- ng for efficient non-linear svm prediction In International conference on machine learning pp 486-494
POKhDhN D (2015) Ekonometrychna model Nacionalnogo banku Ukrainy dlya ocinky kredytnogo ryz:yku banku ta alternatyvnyi metod opornyh vectoriv Visnyk Nacionalnogo banku Ukrainy 234 pp 53
VERLAN h and OLEKShh (2022) Oglyad ta porivnyannya methodiv mashynnogo navchannya dlya roz:piz:navannya gidrroakustychnyh sygnaliv Informaciini ta kompyyterni tehnologii 1(03) pp 296-306
RAMASAY L K , KADRY S , NAM Y and MEQDAD M N (2021) Performance analysis of sentiments in Twitter dataset using SVM models Int J Electr Comput Eng 11(3) pp 2275-2284
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2022 O. G. Nakonechnyi, O. A. Kapustian, Iu. M. Shevchuk, M. V. Loseva, O. Yu. Kosukha
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
Автори, роботи яких публікуються у цьому журналі, погоджуються з такими умовами:
- Автори зберігають авторські права та надають журналу право на першу публікацію роботи, яка одночасно ліцензується згідно із Creative Commons Attribution License, тобто надається дозвіл іншим ділитися роботою з визнанням авторства роботи та першої публікації в цьому журналі.
- Автори можуть укладати окремі додаткові угоди щодо невиключного розповсюдження опублікованої журналом версії роботи (наприклад, розмістити її у репозитарії наукової установи чи опублікувати у книзі) з підтвердженням її початкової публікації у цьому журналі.
- Дозволяється та заохочується розміщення своїх робіт в мережі Інтернет авторами (наприклад, у репозитаріях наукових установ або на особистих веб-сторінках) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш ранніх цитувань опублікованої роботи та їх більшої кількості (див. The Effect of Open Access).
