RUS  ENG ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ЛИЧНЫЙ КАБИНЕТ
Общая информация
Последний выпуск
Архив

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



КО:
Год:
Том:
Выпуск:
Страница:
Найти






Персональный вход:
Логин:
Пароль:
Запомнить пароль
Войти
Забыли пароль?
Регистрация


КО, 2018, том 42, выпуск 5, страницы 921–927 (Mi co577)  

ЧИСЛЕННЫЕ МЕТОДЫ И АНАЛИЗ ДАННЫХ

Кластеризация медиа-контента из социальных сетей с использованием технологии BigData

И. А. Рыцаревa, Д. В. Киршba, А. В. Куприяновba

a Самарский национальный исследовательский университет имени академика С.П. Королева, 443086, Россия, г. Самара, Московское шоссе, д. 34
b ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН, 443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

Аннотация: Статья посвящена одной из ключевых проблем, возникающих при анализе социальных сетей, – проблеме классификации учётных записей на основе медиаконтента, загружаемого пользователями. Основными трудностями на пути решения проблемы являются гетерогенность контента (как по формату, так и по содержанию) и колоссальные объёмы анализируемой информации, что приводит к чрезмерной вычислительной сложности её обработки, а зачастую и к полной неэффективности традиционных методов анализа. В статье мы обсуждаем подход к кластеризации медиаконтента из социальных сетей на основе текстового аннотирования с использованием технологии BigData – современного и эффективного инструмента, позволяющего решить проблемы обработки данных большого объёма. Для проведения вычислительных экспериментов была собрана большая выборка разнородных изображений (фотографии, картины, поздравительные открытки и т. д.) из реальных профилей пользователей социальной сети Twitter. Проведённое исследование подтвердило высокое качество кластеризации медиаконтента, в среднем, значение ошибки составило порядка 5 %.

Ключевые слова: кластеризация, технология BigData, текстовое аннотирование, социальные сети, анализ медиа-контента, алгоритм k-means, GoogLeNet.

Финансовая поддержка Номер гранта
Российская академия наук - Федеральное агентство научных организаций 007-ГЗ/Ч3363/26
Министерство образования и науки Российской Федерации
0026-2018-0102
Российский фонд фундаментальных исследований 15-29-03823 офи-м
16-41-630761 р_а
17-01-00972
18-37-00418 мол_а
Работа выполнена при частичной поддержке Министерства науки и высшего образования РФ в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26); Министерства образования и науки РФ в рамках реализации мероприятий Программы повышения конкурентоспособности Самарского университета среди ведущих мировых научно-образовательных центров на 2013–2020 годы; грантов РФФИ № 15-29-03823, № 16-41-630761, № 17-01-00972, № 18-37-00418; в рамках госзадания по теме № 0026-2018-0102 «Оптоинформационные технологии получения и обработки гиперспектральных данных»


DOI: https://doi.org/10.18287/2412-6179-2018-42-5-921-927

Полный текст: PDF файл (669 kB)
Полный текст: http://www.computeroptics.smr.ru/.../420424.html
Список литературы: PDF файл   HTML файл

Тип публикации: Статья
Поступила в редакцию: 24.10.2018
Принята в печать:30.10.2018

Образец цитирования: И. А. Рыцарев, Д. В. Кирш, А. В. Куприянов, “Кластеризация медиа-контента из социальных сетей с использованием технологии BigData”, КО, 42:5 (2018), 921–927

Цитирование в формате AMSBIB
\RBibitem{RytKirKup18}
\by И.~А.~Рыцарев, Д.~В.~Кирш, А.~В.~Куприянов
\paper Кластеризация медиа-контента из социальных сетей с использованием технологии BigData
\jour КО
\yr 2018
\vol 42
\issue 5
\pages 921--927
\mathnet{http://mi.mathnet.ru/co577}
\crossref{https://doi.org/10.18287/2412-6179-2018-42-5-921-927}


Образцы ссылок на эту страницу:
  • http://mi.mathnet.ru/co577
  • http://mi.mathnet.ru/rus/co/v42/i5/p921

    ОТПРАВИТЬ: VKontakte.ru FaceBook Twitter Mail.ru Livejournal Memori.ru


    Citing articles on Google Scholar: Russian citations, English citations
    Related articles on Google Scholar: Russian articles, English articles
  • Компьютерная оптика
    Просмотров:
    Эта страница:20
    Полный текст:9
    Литература:3

     
    Обратная связь:
     Пользовательское соглашение  Регистрация  Логотипы © Математический институт им. В. А. Стеклова РАН, 2019