Preview

Труды Института системного программирования РАН

Расширенный поиск

Рекомендательная система на основе действий пользователей в социальной сети

https://doi.org/10.15514/ISPRAS-2020-32(3)-9

Полный текст:

Аннотация

В настоящее время большое количество людей пользуются различными социальными сетями, онлайн-сервисами и тому подобное. При этом пользователи оставляют различную информацию в подобных системах. Это могут быть фотографии, комментарии, геотеги и так далее. Эта информация может быть использована для создания системы, которая может идентифицировать различные целевые группы пользователей. На основе этой информации можно запускать рекламные кампании, создавать рекомендательные объявления и много другое. В данной статье рассматривается система, которая позволяет идентифицировать интересы пользователей на основе их действий в социальной сети. Для анализа были выбраны следующие типы данных: опубликованные фотографии и текст, комментарии к записям, информация о любимых публикациях и геотеги. Для выявления целевых групп была поставлена задача проанализировать изображения на фотографиях и проанализировать текст. Анализ изображений включает в себя распознавание объектов, а анализ текста включает в себя выделение основной темы текста и анализ тональности текста. Данные анализа объединяются с помощью уникального идентификатора с остальной информацией и позволяют создать витрину данных, которая может быть использована для поиска целевых групп с помощью простого SQL-запроса.

Об авторах

Виталий Викторович МОНАСТЫРЕВ
Санкт-Петербургский политехнический университет Петра Великого
Россия
Студент


Павел Дмитриевич ДРОБИНЦЕВ
Санкт-Петербургский политехнический университет Петра Великого
Россия
  • к.т.н., доцент


Список литературы

1. Recommendation Technology ‘Disco’. URL: https://yandex.com/company/technologies/disco/.

2. Covington P., Adams J., Sargin E. Deep Neural Networks for YouTube Recommendations. In Proc. of the 10th ACM Conference on Recommender Systems - RecSys ’16, 2016, pp. 191-198.

3. Gomez-Uribe C.A., Hunt N. The Netflix Recommender System. ACM Transactions on Management Information Systems, vol. 6, issue 4, 2015, pp. 1-19.

4. VK Experts. URL: https://vk.com/press/theme-feeds.

5. Matrixnet. URL: https://yandex.ru/company/technologies/matrixnet/.

6. Joel Murach. Murach's MySQL. Mike Murach & Associates, 2012, 612 p.

7. TensorFlow models, GitHub. URL: https://github.com/tensorflow/models.

8. Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the Inception Architecture for Computer Vision. In Proc. of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2818-2826.

9. synsets for Task 2 (same as in ILSVRC2012). URL: http://image-net.org/challenges/LSVRC/2014/browse-synsets.

10. Bíró I., Szabó J. Latent Dirichlet Allocation for Automatic Document Categorization. Lecture Notes in Computer Science, vol. 5782, 2009, pp. 430-441.

11. Gensim project page. URL: https://pypi.org/project/gensim/.

12. NLTK project page. URL: https://www.nltk.org/.

13. pyLDAvis project page. URL: https://www.nltk.org/.

14. Thematic modeling using Gensim (Python). URL: https://webdevblog.ru/tematicheskoe-modelirovanie-s-pomoshhju-gensim-python/.

15. Jin R., Lu L., Lee J., Usman A. Multi‐representational convolutional neural networks for text classification. Computational Intelligence, vol. 35, issue 3, ,2019, 599–609.

16. Text tonality analysis using convolutional neural networks. URL: https://habr.com/ru/company/mailru/blog/417767/.

17. Cliche M. BB_twtr at SemEval-2017 Task 4: Twitter Sentiment Analysis with CNNs and LSTMs. In Proc. of the 11th International Workshop on Semantic Evaluation (SemEval-2017), 2017, pp. 573-580.

18. Zhang Y., Wallace B.A Sensitivity Analysis of (and Practitioners' Guide to) Convolutional Neural Networks for Sentence Classification. arXiv preprint arXiv:1510.03820, 2015.

19. Rubtsova Y.V. (2015). Constructing a corpus for sentiment classification training. Programmnye produkty i sistemy, no. 27, 2015, pp. 72-78 (in Russian) / Рубцова Ю.А. Построение корпуса текстов для настройки тонового классификатора. Программные продукты и системы, no. 27, 2015 г., стр. 72-78.

20. Keras project page. URL: https://keras.io/.


Для цитирования:


МОНАСТЫРЕВ В.В., ДРОБИНЦЕВ П.Д. Рекомендательная система на основе действий пользователей в социальной сети. Труды Института системного программирования РАН. 2020;32(3):101-108. https://doi.org/10.15514/ISPRAS-2020-32(3)-9

For citation:


MONASTYREV V.V., DROBINTSEV P.D. Recommendation system based on user actions in the social network. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2020;32(3):101-108. https://doi.org/10.15514/ISPRAS-2020-32(3)-9

Просмотров: 44


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2079-8156 (Print)
ISSN 2220-6426 (Online)