RUS  ENG ЖУРНАЛЫ   ПЕРСОНАЛИИ   ОРГАНИЗАЦИИ   КОНФЕРЕНЦИИ   СЕМИНАРЫ   ВИДЕОТЕКА   ПАКЕТ AMSBIB
Общая информация
Последний выпуск
Архив
Правила для авторов

Поиск публикаций
Поиск ссылок

RSS
Последний выпуск
Текущие выпуски
Архивные выпуски
Что такое RSS



Компьютерная оптика:
Год:
Том:
Выпуск:
Страница:
Найти






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


Компьютерная оптика, 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”, Компьютерная оптика, 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 Компьютерная оптика
\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:115
    Полный текст:51
    Литература:9
     
    Обратная связь:
     Пользовательское соглашение  Регистрация  Логотипы © Математический институт им. В. А. Стеклова РАН, 2020