CC BY
809
УДК 004.4
Смирнова О.С., Петров А.И., Бабийчук Г.А.
Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский технологический университет» (МИРЭА), г Москва, Россия
ОСНОВНЫЕ МЕТОДЫ АНАЛИЗА, ИСПОЛЬЗУЕМЫЕ ПРИ ИССЛЕДОВАНИИ
СОЦИАЛЬНЫХ СЕТЕЙ
АННОТАЦИЯ
В докладе рассмотрены методы анализа социальных графов, анализа тональности текстовых сообщений, анализа аудио и видео объектов. Приведены характеризующие пользователя признаки, полученные в результате анализа открытых данных социальной сети.
КЛЮЧЕВЫЕ СЛОВА
Социальные сети; анализ мультимедиа контента; анализ графов; анализ тональности текста; распознавание образов; характеристика пользователя.
Smirnova O.S., Petrov A.I., Babiychuk G.A.
Federal State Educational Institution of Higher Education «Moscow Technological University» (MIREA),
Moscow, Russia
COMMON TECHNIQUES FOR SOCIAL NETWORK ANALYSIS STUDY
ABSTRACT
The former article regards most common techniques for social network research: social graph and sentiment analysis, audio and video data handling. The provided sample illustrates user-specific attributes extracted from open social network data.
KEYWORDS
Social networks; analysis of media content; graphs analysis; sentiment analysis; pattern recognition, user characteristic.
Введение
Исследование социальных сетеи с каждым годом приобретает все большую актуальность в связи с обостряющеися необходимостью обеспечения безопасности населения и мониторинга общественных настроении. В основном, целью большинства исследовании является выявление неявных связеи взаимодеиствия групп пользователеи, а также их поведение. При этом следует отметить важность анализа индивидуального массива данных каждого пользователя, включающего информацию о его взаимодеиствиях, о контенте, формируемом этим пользователем, а также информацию о взаимодеиствии с контентом других пользователей На основе результатов анализа этого массива данных можно сделать выводы о личности пользователя, его характере и нравах [1], что способствует оценке ситуации при самоорганизации общества и его отдельных групп.
Несколько лет назад такои анализ был очень сложен в реализации, поскольку компьютерные вычислительные мощности были на порядок ниже. Сеичас же, используя современные технологии и инструменты, можно самостоятельно провести анализ открытых данных пользователеи социальных сетеи, например, как это предложено в работе [2] по детектированию бот-программ в социальнои сети «Вконтакте». Данньш доклад посвящен обзору методов и инструментов для анализа: социальных графов, тональности текста, аудио и видео объектов.
1 Анализ социальных графов
В онлаин-сервисах, предназначенных для организации социальных взаимоотношении в Интернете, можно обнаружить различные социальные объекты, такие как профили пользователеи с личными данными (дата рождения, роднои город и т.д.), сообщества, медиа-контент. Эти объекты также образуют между собои множество связеи, благодаря чему для любои социальнои сети можно
построить социальных граф, где узлами будут выступать социальные объекты, а ребрами -социальные связи между ними.
1.1 Используемые метрики
Для рассмотрения характеристик социальных объектов и их связеи используются различные метрики, которые можно разделить на три группы [3].
Однои из первых задач при изучении социальнои сети является выявления логики ее организации, то есть признаков, по которым организованы ее объекты. Для решения этои задачи подоидут метрики первои группы, отображающие характер взаимоотношении одного социального объекта с другими. Они позволяют выявить сходство между объектами, степень их взаимодеиствия между собои, наличие множественных связеи. К ним относятся: гомофилия, множественность, взаимность, сетевая закрытость, соседство.
Так зачастую требуется узнать, связываются ли узлы одного типа друг с другом, и связываются ли они друг с другом чаще, чем это происходит при случаиных связях. Соединение одинаковых узлов обозначается термином гомофилия. Например, люди с одинаковыми хобби и увлечениями наверняка будут связаны между собои.
Метрики второи группы отображают особенности связеи, как для отдельных социальных объектов, так и для графа в целом. С их помощью можно определять сильные и слабые связи (сила связи), показывать «важность» отдельного пользователя (центральность), выявлять долю прямых связеи в сети по отношению к общему числу возможных (плотность). Также к ним относятся такие метрики, как: мост, обозначающии пользователя, которыи обеспечивает единственную связь между другими пользователями, и структурные дыры, отображающие полное отсутствие связеи между двумя частями сети.
Центральность является одним из основных понятии при анализе социальных сетеи. Она описывает выдающееся положение конкретного узла по сравнению с другими. Существует три показателя центральности: центральность по степени, центральность по близости и центральность по посредничеству.
Центральность по степени вычисляется как отношение количества связеи определенного узла к количеству других узлов. Как правило различают две отдельные центральности по степени: входящую и выходящую. Высокая исходящая центральность по степени показывает «властность» определенного узла. Таким узлом может являться человек, которьш может быстро распространить информацию, например, журналист или интернет-блоггер. Входящая центральность показывает, что узел является «знаменитостью», это значит, что в качестве такого узла может выступать профиль человека, за которым следит много людеи.
Центральность по близости выражается, как отношение числа других узлов графа к сумме расстоянии между определенным узлом и всеми другими. В качестве примера, таким узлом может являться пользователь с большим количеством подписок и подписанныи на большое количество других пользователеи.
Центральность по посредничеству показывает количество кратчаиших путеи между всеми узлами сети, проходящих через определенныи узел. Высокии показатель центральности по посредничеству может означать, что данныи узел является единственнои связью между определенными частями сети.
К последнеи группе относятся метрики, отображающие характеристики социального графа, поделенного на сегменты, которые имеют отличительные особенности. Они используются для обнаружения особо плотных по связям раионов в пределах единои сети. Основнои метрикои даннои группы является клика - группа, в которои все пользователи имеют «прямые» связи друг к другу. Группа, в которои такие связи не обязательны, называется социальным кругом.
Также к даннои группе метрик относят коэффициент кластеризации, определяющии степень вероятности связи двух разных пользователеи между собои при условии, что они оба связаны с конкретным индивидуумом, и сплоченность, определяющую степень связи пользователеи между собои однои, общеи связью.
1.2 Примеры реализации
В качестве примера бесплатного веб-приложения, которое строит социальный граф, где узлами являются пользователи, а ребрами - дружба между ними, можно привести приложение визуализации сети ВКонтакте [4]. Построение такого графа позволяет определить взаимоотношения пользователеи между собои, выявить общих знакомых пользователеи, а также неявно сегментировать пользователеи по различным социальным группам: выпускники однои школы, одногруппники, земляки и т.д.
Минусами большинства подобных бесплатных приложении является небольшои функционал, поэтому для проведения подробного анализа социальных сетеи необходимо
воспользоваться услугами более профессиональных сервисов, специализирующихся в этой предметной области.
1.3 Совокупность характеризующих пользователя признаков, полученных в результате анализа социальных графов
В результате анализа графов можно получить следующую совокупность признаков, характеризующих пользователя:
- социальные группы, к которым принадлежит пользователь;
- круг общения;
- авторитетность;
- предпочтения пользователя.
Благодаря этои информации становится возможным решать такие задачи, как идентификация пользователеи; социальныи поиск; генерация рекомендации; выявление неявных связеи.
Однако, несмотря на такои широкии спектр решаемых задач, существует несколько основных проблем такого подхода к анализу социальных сетеи, а именно: различия социальных сетеи и их закрытость.
2 Анализ тональности текста
Согласно данным социальных исследовании [5] более 2 миллиардов человек во всем мире являются активными пользователями блогов и социальных сетеи. Все эти люди ежедневно оставляют огромное количество сообщении, отражающих позиции граждан из разных стран и разных слоев общества. Анализ такого контента может помочь оценить изменения в настроениях многих пользователеи и наити применение в политических и социальных исследованиях, в том числе в исследованиях потребительских предпочтении. Чаще всего для решения подобных задач прибегают к анализу тональности текстовых сообщении.
Тональность - это эмоциональное отношение автора высказывания к некоторому объекту выраженное в тексте. Существует несколько методов определения тональности текста, рассмотрим метод, основанньш на правилах и словарях, а также машинное обучение с учителем. Классификация текстов как подход, применяющиися для получения знании из неструктурированных данных, в том числе и для определения тональности текстовых сообщении подробно описан в [6].
2.1 Метод, основанныи на правилах и словарях
При использовании этого метода составляются тональные словари и правила с использованием лингвистического анализа, по которым выполняется поиск эмотивнои лексики. Далее совокупность наиденнои эмотивнои лексики оценивается по шкале, содержащеи количество негативнои и позитивнои лексики.
Обычно используется следующии алгоритм:
- присвоить каждому слову в тексте значение тональности из словаря (если оно в нем присутствует);
- вычислить общую тональность целого текста, путем суммирования тональностеи отдельных слов.
Недостатками данного метода является значительным объем трудозатрат, т.к. требует создание большого количества правил.
2.2 Машинное обучение с учителем
В основе данного метода лежит создание машинного классификатора, которыи на первых этапах обучается на заранее размеченных текстах, затем, используя полученные знания, строит модель для анализа новых документов. Краткии алгоритм метода состоит в следующем:
- вначале собирается коллекция документов, на основе которои обучается машинныи классификатор;
- каждыи документ раскладывается в виде вектора признаков (аспектов), по которым он будет исследоваться;
- указывается правильным тип тональности для каждого документа;
- производится выбор алгоритма классификации и метод для обучения классификатора;
- полученная модель используется для определения тональности документов новои коллекции.
В качестве минуса метода обучения с учителем можно выделить, потребность в достаточно большом количестве данных для обучения, однако в дальнеишем модель, полученная на основе этих данных, позволит проводить автоматическии анализ новых текстов.
2.3 Применение анализа тональности текста
В качестве примера анализа тональности текста можно привести исследование [7] россиискои
компании Data-Centric Alliance (DCA). Целью исследования было определение тональности сообщении русскоязычного сегмента социальной сети Twitter, а именно отзывов на новый эпизод культовой саги «Звездные воины».
Аналитики компании использовали машинное обучение с учителем. Для анализа было выгружено примерно 50 тысяч сообщении, далее применялся подход с использованием рекуррентнои неироннои сети (LSTM, Long Short-Term Memory), обучения которои производилось с помощью пакета из почти 300 000 сообщении на русском языке. Темы сообщении носили самьш разньш характер, включая отзывы о товарах и услугах.
В результате применения машинного обучения, неиросеть сама давала оценку настроения пользователей В данном случае шкала была в диапазоне значении от 0 до 1. Скорее положительные оценки тяготели к единице, а скорее отрицательные были ближе к 0. Диапазон от 0.35 до 0.65 исследователи DCA рассматривали в качестве переходнои или «среднею» («смешанною») оценки. В итоге, после того как были получены данные по всем сообщениям пакета, аналитики подсчитали соотношение количества сообщении за каждыи день определенного периода и выявили, что в целом к картине зрители отнеслись положительно.
2.4 Совокупность характеризующих пользователя признаков, полученных в результате анализа тональности текста
Благодаря анализу тональности текстов сообщении пользователе^ исследователь может сделать выводы о:
- эмоциональнои оценке пользователеи различных событии и объектов;
- предпочтениях отдельных пользователеи;
- некоторых чертах характера пользователя.
Полученная информация о пользователях находит практическое применение во различных областях, например, в таких как: социология, политология, маркетинг, медицина и психология.
3 Анализ аудио объектов
Аудио объекты составляют не самую большую часть медиа контента социальных сетеи, поскольку основную часть информации человек считывает посредством зрения, а не слуха. Тем не менее анализ аудио объектов нельзя исключать из внимания, так как за счет него можно получить интересующие характеристики пользователя, не выявляемые в рамках анализа других данных. К аудио объектам можно отнести музыку, песни, аудиокниги, лекции, записанные диалоги и т.д.
3.1 Получение аудио объектов и текстов песен
В первую очередь для анализа необходимо получить набор аудио данных. Не все социальные сети имеют возможность работы с аудио объектами, но, например, крупнеишая россииская социальная сеть «В Контакте» такую возможность имеет, поэтому мы сможем проанализировать списки воспроизведения пользователеи, а также некоторые из объектов загрузить для дальнеишего анализа. Стоит отметить, что аудио объекты социальнои сети «В Контакте» могут иметь прикрепленныи текст, например, если объект является песнеи, то это текст песни, если объект - аудиокнига, то - текст книги. Эти данные могут послужить дополнительным источником информации при исследовании выбранного аудио объекта.
Непосредственно получение объектов в данном докладе рассматриваться не будет, поскольку это достаточно тривиальная задача, поэтому переидем сразу к рассмотрению методов анализа аудио объектов.
3.2 Анализ музыкальных произведении
Основнои характернои чертои музыкальных произведении является их жанр, поэтому анализ аудио объектов следует начинать именно с него. Кроме того, британскими ученными проводились исследования на тему: «Как музыкальный жанр характеризует слушателя» [8], которые показали, что существует некоторая корреляция между жанрами музыки и их слушателями. Таким образом, используя результаты данного исследования и знание о жанрах аудио объектов пользователя, уже можно составить описание, характеризующее его.
Для решения задачи определения музыкального жанра - довольно сложнои задачи, поскольку даже человек не всегда точно может его определить, возможно использовать следующие методы:
1) получение мета-данные аудио объекта. Это самыи простои вариант. Большинство аудио объектов содержат информацию о жанре, об артисте, о характеристиках звука и т.п. Для получения мета-данных, параллельно с аудио объектами социальных сетеи, можно использовать и специализированные музыкальные сервисы;
2) интеллектуальный анализ данных. В частности, здесь могут быть использованы методы классификации и кластеризации. Для этого может быть использована, например, неиронная сеть.
Первым этапом здесь будет обучение неироннои сети, а именно - создание звуковых профилеи -кластеров. Вторым этапом - классификация аудио объектов. В качестве характеристик, определяющих жанр, могут быть использованы размер такта и темп композиции. Попытку создания подобнои сети произвели программисты из Таивани [9], но возможности открытого использования их сети информации нет.
С целью получения дополнительнои информации для описания пользователя необходимо провести распознавание и анализ речевых сообщении аудио объектов.
3.3 Распознавание и анализ речевых сообщении
Основными характеристиками речевых сообщении является их наличие или отсутствие, тональность сообщении, содержание.
Наличие или отсутствие речевых сообщении может охарактеризовать аудио объект как исключительно музыкальную композицию, либо песню, лекцию, аудиокнигу и т.д. Так, например, наличие у пользователя в списке воспроизведения большого количества аудиокниг или лекции может свидетельствовать о его уровне образования, или же косвенно навести подозрения в религиознои или другои пропаганде, для более точного определения соответственно требуется дальнеишии детальныи анализ контента.
Анализ эмоционального тона речевых сообщении позволит определить черты характера пользователя, в том числе его темперамент.
Содержание речевых сообщении аудио объекта в совокупности с первыми двумя характеристиками может помочь при более детальном описании пользователя и его интересов. Существует две группы методов распознавания речи:
1) параметрические, направленные на математическое преобразование речевого сигнала с выделением и стабилизациеи основных информативных признаков, преобразование Фурье, цифровая фильтрация, веивлет-анализ и др.;
2) лингвистические, цель которых контекстная обработка высказывания. Исходнои информациеи для лингвистическои обработки служат результаты параметризации речевого сигнала. К методам даннои группы относятся:
- методы дискриминантного анализа, основанные на Баиесовскои дискриминации;
- скрытые Марковские модели (Hidden Markov Model);
- неиронные сети.
В общем виде, процесс распознавания сообщении включает в себя следующие этапы:
- вычисление временных и спектральных характеристик аудио объекта;
- классификация предварительно выделенных временных фреимов по фонетическим категориям;
- подбор соответствующих категории слов;
- измерение степени доверия к принятому решению.
После процесса распознавания речевых сообщении необходимо провести анализ полученных текстовых данных, которыи частично рассмотрен в пункте 2 настоящего доклада.
3.4 Совокупность характеризующих пользователя признаков, полученных в результате анализа аудио объектов
На основе анализа аудио объектов могут быть получены следующие характеристики пользователя:
- темперамент, самооценка, коммуникабельность и другие черты характера, определенные на основе анализа преобладающего жанра аудиозаписей
- интересы, выявленные на основе определения тематики аудиокниг и лекции.
4 Анализ видео объектов
Видео объекты распространены в социальных сетях больше, чем аудио. Это связано с тем, что большинство аудио объектов - это музыкальные композиции, защищенные авторским правом, из-за чего они имеют ограничения в распространении. А видео объекты - это, часто, формируемые лично пользователями небольшие непрофессиональные видеозаписи.
Видео объекты - это аудиовизуальные произведения, то есть ряд последовательных изображении - кадров, совмещенныи с аудио потоком. Это говорит о том, что здесь анализу подлежит как минимум две компоненты: ряд изображении и аудио. Поэтому анализ видеоданных сложнее, чем анализ отдельно изображении или отдельно аудиоданных, а также такои анализ требует больших компьютерных вычислительных мощностеи.
Основными этапами анализа являются:
- анализ метаданных
- анализ кадров;
- анализ аудио потока;
- событииныи анализ видео ряда.
4.1 Анализ метаданных
Перед непосредственным анализом видео объектов их так же, как и аудио объекты необходимо классифицировать по имеющимся метаданным с помощью различных интернет-ресурсов. Поскольку нет смысла проводить анализ каких-либо художественных произведении, т.к. по ним обычно уже имеется достаточно характеризующеи информации.
Для оставшихся, необработанных видео объектов необходимо провести анализ кадров, анализ аудио потока и событииныи анализ.
4.2 Анализ кадров
Поскольку основную роль в видеоданных играет зрительная информация, то сперва рассмотрим процесс анализа кадров.
Анализ кадров видео практически ничем не отличается от анализа отдельных изображении, а точнее - это и есть анализ изображении, ведь чтобы проанализировать видео, необходимо разбить его на кадры - изображения, каждое из них уже обработать и затем проанализировать. Основное отличие состоит лишь в том, что из видео можно получить динамику движения объектов: это может быть передвижение транспорта, движение мышц на лице человека и т.п.
4.2.1 Выявление и анализ объектов на изображениях
Основная цель анализа видео и изображении - распознавание образов. Распознавание образов, в свою очередь, поводится с целью выделения определенного ряда признаков объектов и отнесения объектов, согласно полученным признакам, к определенному классу. Это называется уже идентификациеи объекта.
Существует три основных направления в области распознавания объектов на изображениях [10]:
- распознавание на основе сравнения изображения с эталоном;
- распознавание с помощью неиронных сетеи;
- распознавание по характерным точкам (при этом способ получения характерных точек может отличаться).
Однако в зависимости от объекта распознавания могут использоваться и другие методы. Например, для распознавания лиц применяется метод главных компонент, метод распознавания на эластичном графе и другие.
4.2.2 Идентификация объектов
Методы идентификации объектов делят на две основные категории [11]:
- теоретические методы, основывающиеся на количественном описании объектов изображения;
- структурные (синтаксические) методы, основывающиеся на применении символьных описании и связеи между ними.
Основными применяемыми методами группы теоретических методов являются:
- метод решающих функции;
- метод потенциальных функции.
Метод решающих функции предполагает, что перед процессом идентификации был проведен процесс описания (распознавания) объекта, в результате которого был получен вектор модели объекта, которыи соотносится с набором заранее определенных классов посредством набора решающих функции.
В основу метода потенциальных функции заложена геометрическая интерпретация задачи идентификации, заключающаяся в представлении изображении в виде векторов в пространстве входных сигналов, что позволяет представить задачу идентификации как аппроксимационную задачу.
Структурные методы основаны на применении символических описании и связеи между ними [12]:
- метод подбора индексов границ;
- метод базовых точек.
Метод подбора индексов границ основан на том, что граница объекта описывается цепным кодом, на основе которого строится дерево схожести, которое сравнивается с эталонным значением.
Метод базовых точек основан на том, что каждыи класс объектов характеризуется набором точек, которые определенным образом расположены в пространстве. Решение принимается на основании анализа соотношении между координатами базовых точек распознаваемого объекта и координатами базовых точек эталонов.
Используя те или иные описанные методы, можно провести анализ кадров видеоданных, в результате которого может быть получен набор объектов, присутствующих в анализируемых видеоданных, на основе чего сделать предположения о предпочтениях пользователя. Также
полученный набор объектов может быть полезен в событийном анализе видеоряда.
4.3 Анализ аудио потока
Анализ аудио потока, взятого из видео объекта, отличается от анализа аудио объекта тем, что здесь это может быть не только художественным произведением, песнеи, аудиокнигои, но и простым, обыденным звуком из жизни, будь то сигнализация автомобиля или хруст снега под ногами идущего человека. Эти звуки, аналогично анализу кадров, необходимо распознать и идентифицировать. Также может быть полезен анализ физических параметров звука и их динамики.
4.3.1 Распознавание звуковых событии
Распознавание звуковых событии может быть выполнено на основе метода сравнения с эталоном, для чего следует использовать специально обученную на наборе классов звуков различных событии неиронную сеть.
4.3.2 Определение и анализ физических параметров звука и его изменении
Анализ физических параметров звука и его изменении может помочь в дальнеишем для событииного анализа видео ряда. К таким параметрам можно отнести, например, продолжительность одного уровня громкости, тембр голоса, или даже отсутствие всяких звуков. Методы, которые можно использовать для анализа аудио потока, были рассмотрены ранее в пункте 3.
Результаты, полученные из анализа аудио потока могут быть использованы как в качестве данных для непосредственнои характеристики пользователя, так и в событиином анализе видео ряда.
4.4 Событииньш анализ видео ряда
Используя результаты анализа кадров и анализа аудио потока, можно провести событииныи анализ видео ряда, то есть анализ с целью идентификации событии, происходящих на видео объектах. Такои анализ может быть проведен путем сопоставления распознанных объектов с распознанными звуковыми событиями, за счет чего можно идентифицировать событие.
В свою очередь совокупность идентифицированных событии может иметь свое место в описании пользователя, чьи видео данные были проанализированы. Например, после анализа 10 видео объектов будет выяснено, что на 8 из них был распознан сам пользователь и были распознаны события, включающие те или иные сборы активных студентов. На основе такои информации можно будет сделать вывод, о том, что пользователь социально активен.
4.5 Совокупность характеризующих пользователеи признаков, полученных в результате анализа видео объектов
На основе анализа видео объектов могут быть получены следующие характеристики пользователя:
- эмоциональным настрои пользователя, а также некоторые черты его характера (на основе жанров мультимедиа контента пользователя и тональности имеющегося в них текста);
- этичность, нравственность пользователя (наличие нецензурных элементов, полученных в процессе анализа речевых сообщении аудио объектов и аудио потоков, а также анализе кадров видео объектов);
- активность пользователя, увлечения, наиболее часто посещаемые места и др. (на основе анализа видео с его участием).
Заключение
На современном этапе развития информационных технологии использование описанных методов для анализа социальных сетеи позволяет выявлять скрытые знания, заключенные в пользовательском контенте. При этом формирование на основе полученных данных характеристики пользователя, включающеи выводы о личности, характере и его предпочтениях, поспособствует выявлению нежелательных ситуации при самоорганизации общества и его отдельных групп, что в свою очередь играет важную роль в вопросах безопасности и решении ряда экономических и социальных проблем.
Исследование выполнено федеральным государственным бюджетным образовательным учреждением высшего образования «Московский технологический университет» (МИРЭА) за счет гранта Российского фонда фундаментальных исследований (проект №16-37-00492).
Литература
1. В.В. Баранюк, А.Д. Десяткова, О.С. Смирнова. Подходы к определению психоэмоциональных особенностей
информационного образа пользователя социальных сетей // International Journal of Open Information Technologies.
Том 4, № 8 (2016), с. 61 - 65.
2. А.С. Алымов, В.В. Баранюк, О.С. Смирнова. Детектирование бот-программ, имитирующих поведение людей в социальной сети «Вконтакте» // International Journal of Open Information Technologies. Том 4, № 8 (2016), с. 55 - 60.
3. Анализ социальных сетей в интернете / / Постнаука. 2012-2016. URL: https://postnauka.ru/longreads/20259#! (дата обращения: 22.08.2016).
4. Визуализация друзей ВКонтакте // Andrei Kashcha. 2012. URL: http://www.yasiv.com/vk (дата обращения: 24.08.2016).
5. Социальные сети в России: исследование Mail.Ru Group. URL: https://corp.mail.ru/media/files/issledovanie-auditorij-sotcialnykh-setej.pdf (дата обращения: 03.08.2016).
6. О.С. Смирнова, В.В. Шишков. Выбор топологии нейронных сетей и их применение для классификации коротких текстов / / International Journal of Open Information Technologies. Том 4, № 8 (2016), с. 50 - 54.
7. Анализ контента социальных медиа в эпоху больших данных // Mebius. 2015-2016. URL: https://mebius.io/analysis/social-media-content-analysis (дата обращения: 25.08.2016).
8. Как нас характеризует наш музыкальный вкус // KM.RU. 1999-2016. URL: http://www.km.ru/stil/2013/11/18/psikhologiya-i-voprosy-samoanaliza/725474-kak-nas-kharakterizuet-nash-muzykalnyi-vku (дата обращения: 20.08.2016).
9. Нейронная сеть для распознавания жанров музыки // Портал искусственного интеллекта. 2009-2016. URL: http://www.aiportal.ru/news/neural-network-for-recognition-music-genres.html (дата обращения: 21.09.2016).
10. Меженин А.В. Методы и средства распознавания образов и визуалиации - Санкт-Петербург: СПбНИУ ИТМО, 2012. - 128 с.
11. Методы распознавания, идентификации и измерения расстояния до объектов в СТЗ ПР // XReferat.com. 2016. URL: http://xreferat.com/54/1310-1-metody-raspoznavaniya-identifikacii-i-izmereniya-rasstoyaniya-do-ob-ektov-v-stz-pr.html (дата обращения: 27.09.2016).
12. Методы распознавания образов при идентификации объектов бинарного класса в автоматизированных телекоммуникационных комплексах систем управления // Библиофонд. 2003-2016. URL: http://bibliofond.ru/view.aspx?id=587496 (дата обращения: 26.09.2016).
References
1. V.V. Baranyuk, A.D. Desyatkova, O.S. Smirnova. Podkhody k opredeleniyu psikhoemotsional'nykh osobennostey informatsionnogo obraza pol'zovatelya sotsial'nykh setey / / International Journal of Open Information Technologies. Tom 4, № 8 (2016), p. 61 - 65.
2. A.S. Alymov, V.V. Baranyuk, O.S. Smirnova. Detektirovanie bot-programm, imitiruyushchikh povedenie lyudey v sotsial'noy seti «Vkontakte» / / International Journal of Open Information Technologies. Tom 4, № 8 (2016), p. 55 - 60.
3. Analiz sotsial'nykh setey v internete // Postnauka. 2012-2016. URL: https://postnauka.ru/longreads/20259#! (data obrashcheniya: 22.03.2016).
4. Vizualizatsiya druzey VKontakte // Andrei Kashcha. 2012. URL: http://www.yasiv.com/vk (data obrashcheniya: 24.03.2016).
5. Sotsial'nye seti v Rossii: issledovanie Mail.Ru Group. URL: https://corp.mail.ru/media/files/issledovanie-auditorij-sotcialnykh-setej.pdf (data obrashcheniya: 03.08.2016).
6. O.S. Cmirnova, V.V. Shishkov. Vybor topologii neyronnykh setey i ikh primenenie dlya klassifikatsii korotkikh tekstov / / International Journal of Open Information Technologies. Tom 4, № 8 (2016), p. 50 - 54.
7. Analiz kontenta sotsial'nykh media v epokhu bol'shikh dannykh // Mebius. 2015-2016. URL: https://mebius.io/analysis/social-media-content-analysis (data obrashcheniya: 25.03.2016).
8. Kak nas kharakterizuet nash muzykal'nyy vkus // KM.RU. 1999-2016. URL: http://www.km.ru/stil/2013/11/18/psikhologiya-i-voprosy-samoanaliza/725474-kak-nas-kharakterizuet-nash-muzykalnyi-vku (data obrashcheniya: 20.03.2016).
9. Neyronnaya set' dlya raspoznavaniya zhanrov muzyki // Portal iskusstvennogo intellekta. 2009-2016. URL: http://www.aiportal.ru/news/neural-network-for-recognition-music-genres.html (data obrashcheniya: 21.04.2016).
10. Mezhenin A.V. Metody i sredstva raspoznavaniya obrazov i vizualiatsii - Sankt-Peterburg: SPbNIU ITMO, 2012. - 128 p.
11. Metody raspoznavaniya, identifikatsii i izmereniya rasstoyaniya do ob"ektov v STZ PR // XReferat.com. 2016. URL: http://xreferat.com/54/1310-1-metody-raspoznavaniya-identifikacii-i-izmereniya-rasstoyaniya-do-ob-ektov-v-stz-pr.html (data obrashcheniya: 27.04.2016).
12. Metody raspoznavaniya obrazov pri identifikatsii ob"ektov binarnogo klassa v avtomatizirovannykh telekommunikatsionnykh kompleksakh sistem upravleniya // Bibliofond. 2003-2016. URL: http://bibliofond.ru/view.aspx?id=587496 (data obrashcheniya: 26.04.2016).
Поступила: 15.10.2016
Об авторах:
Смирнова Ольга Сергеевна, младший научный сотрудник междисциплинарной научно-инновационной лаборатории Информационной бионики и моделирования, ассистент кафедры интеллектуальных технологий и систем Московского технологического университета (МИРЭА), [email protected];
Петров Алексей Иванович, студент магистратуры кафедры интеллектуальных технологий и систем Московского технологического университета (МИРЭА), [email protected];
Бабийчук Георгий Александрович, студент магистратуры кафедры интеллектуальных технологий и систем Московского технологического университета (МИРЭА), [email protected].
