Výsledky vyhledávání - "тематическое моделирование"

Zdroj: Society and Security Insights; Vol 7 No 1 (2024): Regular Issue; 27-39
Society and Security Insights; Том 7 № 1 (2024): Основной выпуск; 27-39

Témata: компьютерная социология, computer sociology, социально-политическое взаимодействие, topic modeling, socio-political interaction, аналитические платформы, мобилизация, кластеризация, 16. Peace & justice, mobilization, тематическое моделирование, clustering, analytical platforms

Popis souboru: application/pdf; text/html

Přístupová URL adresa: http://journal.asu.ru/ssi/article/view/14611

View record at OpenAIRE

Nájsť tento článok vo Web of Science

5

Intellectualization of personnel development management in high-tech service-oriented companies

Autoři: A. D. Beresnev

Zdroj: Научно-технический вестник информационных технологий, механики и оптики, Vol 22, Iss 1, Pp 127-137 (2024)

Témata: развитие персонала, сервисная модель предоставления услуг, обучение на рабочем месте, грубые множества, обработка текстов, тематическое моделирование с аддитивной регуляризацией, анализ формальных концептов, Information technology, T58.5-58.64

Popis souboru: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/283; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Přístupová URL adresa: https://doaj.org/article/e18f2c2f021e4aefb7d584f20c555f65

View record in DOAJ

Nájsť tento článok vo Web of Science

6

Software framework for hyperparameters optimization of models with additive regularization

Autoři: M. A. Khodorchenko N. A. Butakov D. A. Nasonov a další

Zdroj: Научно-технический вестник информационных технологий, механики и оптики, Vol 23, Iss 1, Pp 112-120 (2024)

Témata: automl фреймворк, тематическое моделирование, неструктурированные данные, аддитивная регуляризация, эволюционный подход, суррогатные модели, Information technology, T58.5-58.64

Popis souboru: electronic resource

Relation: https://ntv.elpub.ru/jour/article/view/338; https://doaj.org/toc/2226-1494; https://doaj.org/toc/2500-0373

Přístupová URL adresa: https://doaj.org/article/c3f24445e11144d4a1992d292bc0d423

View record in DOAJ

Nájsť tento článok vo Web of Science

7

Application of Deep Learning Methods for Employee Satisfaction Analysis Based on Text Data ; Применение методов глубокого обучения для анализа удовлетворенности сотрудников на основе текстовых данных

Autoři: A. A. Kazinets А. Н. Козинец

Zdroj: Digital Transformation; Том 31, № 2 (2025); 13-20 ; Цифровая трансформация; Том 31, № 2 (2025); 13-20 ; 2524-2822 ; 2522-9613

Témata: нейронные сети, text data analysis, employee satisfaction, natural language processing, HR analytics, topic modeling, neural networks, анализ текстовых данных, удовлетворенность сотрудников, обработка естественного языка, HR-аналитика, тематическое моделирование

Popis souboru: application/pdf

Relation: https://dt.bsuir.by/jour/article/view/937/352; Jurafsky D., Martin J. H. (2008) Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. USA, Prentice Hall Publ.; Devlin J., Chang M.-W., Lee K., Toutanova K. (2019) BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805.; Griffiths T. L., Steyvers, M. (2004) Finding Scientific Topics. Proceedings of the National Academy of Sciences of the United States of America. 101, 5228–5235.; Kaggle. DG. Glassdoor Job Reviews (2021) Available: https://www.kaggle.com/datasets/davidgauthier/glassdoor-job-reviews (Accessed 1 October 2024).; Blei D. M., Ng A. Y., Jordan M. I. (2003) Latent Dirichlet Allocation. Journal of Machine Learning Research. 3, 993–1022.; Kazinets A. (2024) Application of Deep Learning Methods for Employee Satisfaction Analysis Based on Text Data. Google Colab. Available: https://colab.research.google.com/drive/1oFYqwiu2-rty2njxat_y2RX1JCKGhNKw?usp=sharing (Accessed 1 October 2024).; https://dt.bsuir.by/jour/article/view/937

Dostupnost: https://dt.bsuir.by/jour/article/view/937
https://doi.org/10.35596/1729-7648-2025-31-2-13-20

View record from BASE

Nájsť tento článok vo Web of Science

8

Understanding user satisfaction in digital banking: Sentiment analysis and topic modeling of Indonesian bank reviews ; Оценка удовлетворенности клиентов цифровых банков: сентимент-анализ и тематическое моделирование на основе данных индонезийских банков

Autoři: Пурнамасари, Рита Тхаха, Абдуррахман Рахим

Zdroj: Business Informatics; Vol 19 No 3 (2025); 101-112 ; Бизнес-информатика; Том 19 № 3 (2025); 101-112 ; 2587-8158 ; 2587-814X ; 10.17323/2587-814X.2025.3

Témata: digital bank, Indonesia, sentiment analysis, topic modeling, user satisfaction, user engagement, цифровой банк, Индонезия, сентимент-анализ, тематическое моделирование, удовлетворенность пользователей, вовлеченность пользователей

Popis souboru: application/pdf

Relation: https://bijournal.hse.ru/article/view/28388/23100; https://bijournal.hse.ru/article/view/28388/23101; https://bijournal.hse.ru/article/view/28388

Dostupnost: https://bijournal.hse.ru/article/view/28388
https://doi.org/10.17323/2587-814X.2025.3.101.112

View record from BASE

Nájsť tento článok vo Web of Science

9

Построение тематических моделей для анализа больших текстовых массивов в лесомелиоративных исследованиях

Témata: latent Dirichlet distribution, word clouds, Text Mining, защитное лесоразведение, thematic modelling, латентное распределение Дирихле, protective forestry, тематическое моделирование, облака слов, интеллектуальный анализ текстов

Nájsť tento článok vo Web of Science

10

ON THE OPTIMAL FREQUENCY IN THE INDUCTION METHODS ELECTROPROSPECTING

Zdroj: Уральский геофизический вестник. :40-47

Témata: low-frequency magnetic fi eld, проводящие 3D объекты, ма- тематическое моделирование, низкочастотное магнитное поле, mathematical modeling, Индуктивная электроразведка на рудных месторождениях, conductive 3D objects, Inductive electrical prospecting of ore deposits

Nájsť tento článok vo Web of Science

11

Development of intelligent electronic document management system model based on machine learning methods

Autoři: Madina Sambetbayeva Inkarzhan Kuspanova Aigerim Yerimbetova a další

Zdroj: Eastern-European Journal of Enterprise Technologies; Vol. 1 No. 2(115) (2022): Information technology. Industry control systems; 68-76
Eastern-European Journal of Enterprise Technologies; Том 1 № 2(115) (2022): Информационные технологии. Системы управления в промышленности; 68-76
Eastern-European Journal of Enterprise Technologies; Том 1 № 2(115) (2022): Інформаційні технології. Системи управління в промисловості; 68-76

Témata: багатоагентні технології, система електронного документообігу, electronic document management system, topic modeling, 0211 other engineering and technologies, многоагентные технологии, машинне навчання, 02 engineering and technology, машинное обучение, тематическое моделирование, machine learning, система электронного документооборота, multi-agent technologies, 0202 electrical engineering, electronic engineering, information engineering, тематичне моделювання

Popis souboru: application/pdf

Přístupová URL adresa: http://journals.uran.ua/eejet/article/download/251689/250682
http://journals.uran.ua/eejet/article/view/251689

View record at OpenAIRE

Nájsť tento článok vo Web of Science

12

Using Computational Linguistics to Analyse Main Research Directions in Economy of Regions

Autoři: I. V. Savin N. S. Teplyakov

Zdroj: Economy of Region

Témata: ACADEMIC JOURNAL, COMPUTATIONAL LINGUISTICS, SCIENTOMETRICS, 02 engineering and technology, TOPIC MODELLING, ТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ПРОСТРАНСТВЕННАЯ ЭКОНОМИКА, THIRD-PARTY FUNDING, 11. Sustainability, 0202 electrical engineering, electronic engineering, information engineering, LITERATURE REVIEW, ОБЗОР ЛИТЕРАТУРЫ, 9. Industry and infrastructure, АНАЛИЗ ТЕКСТА, 05 social sciences, 1. No poverty, СТОРОННЕЕ ФИНАНСИРОВАНИЕ, НАУКОМЕТРИЯ, КОМПЬЮТЕРНАЯ ЛИНГВИСТИКА, TEXT MINING, 13. Climate action, 8. Economic growth, SPATIAL ECONOMICS, МАШИННОЕ ОБУЧЕНИЕ, MACHINE LEARNING, 0509 other social sciences, НАУЧНЫЙ ЖУРНАЛ, ЭКОНОМИКА ПРИРОДОПОЛЬЗОВАНИЯ, ENVIRONMENTAL ECONOMICS

Popis souboru: application/pdf

Přístupová URL adresa: http://elar.urfu.ru/handle/10995/127993
http://elar.urfu.ru/handle/10995/117991
https://www.scopus.com/inward/record.uri?eid=2-s2.0-85134227867&doi=10.17059/ekon.reg.2022-2-3&partnerID=40&md5=3607bf2b68249aa3a94aae0a5201336c

View record at OpenAIRE

Nájsť tento článok vo Web of Science

13

A method for identifying relevant topics of pilot simulator training based on clustering of flight safety reports ; Метод выявления актуальных тем тренажерной подготовки пилотов на основе кластеризации отчетов по безопасности полетов

Autoři: Z. R. Zabbarov A. K. Volkov З. Р. Заббаров a další

Zdroj: Civil Aviation High Technologies; Том 27, № 4 (2024); 34-49 ; Научный вестник МГТУ ГА; Том 27, № 4 (2024); 34-49 ; 2542-0119 ; 2079-0619

Témata: модель Doc2Vec, simulator training, report, clustering, natural language processing, thematic modeling, Doc2Vec model, тренажерная подготовка, отчет, кластеризация, обработка естественного языка, тематическое моделирование

Popis souboru: application/pdf

Relation: https://avia.mstuca.ru/jour/article/view/2400/1400; Groff L. Applying natural language processing tools to occurrence reports [Электронный ресурс] // ICAO, 2018. 20 p. URL: https://www.icao.int/safety/iStars/Documents/IUG%20Meeting%201/Presentations/Applying%20Natural%20Language%20Processing%20Tools%20to%20Occurrence%20Reports%20-%20Loren%20Groff.pdf (дата обращения: 20.01.2024).; Junjie L., Huijuan Y., Yinlan D. Application of text analysis technology in aviation safety information analysis [Электронный ресурс] // Journal of Physics: Conference Series. 2020. Vol. 1624, no. 3. Pp. 032033. DOI:10.1088/1742-6596/1624/3/032033 (дата обращения: 20.01.2024).; Pimm C. Natural Language Processing (NLP) tools for the analysis of incident and accident reports / C. Pimm, C. Raynal, N. Tulechki, E. Hermann, G. Caudy [Электронный ресурс] // International Conference on HumanComputer Interaction in Aerospace (HCI-Aero). Belgium, Brussels, 2012. Pp. 1–7. URL: https://core.ac.uk/download/pdf/50536379.pdf (дата обращения: 20.01.2024).; Rose R.L., Puranik T.G., Mavris D.N. Natural language processing based method for clustering and analysis of aviation safety narratives [Электронный ресурс] // Aerospace. 2020. Vol. 7, no. 10. ID: 143. DOI:10.3390/aerospace7100143 (дата обращения: 20.01.2024).; Miyamoto A., Bendarkar M.V., Mavris D.N. Natural language processing of aviation safety reports to identify inefficient operational patterns [Электронный ресурс] // Aerospace. 2022. Vol. 9, no. 8. ID: 450. DOI:10.3390/aerospace9080450 (дата обращения: 20.01.2024).; Madeira T. Machine learning and natural language processing for prediction of human factors in aviation incident reports / T. Madeira, R. Melício, D. Valério, L. Santos [Электронный ресурс] // Aerospace. 2021. Vol. 8, no. 2. ID: 47. DOI:10.3390/aerospace8020047 (дата обращения: 20.01.2024).; Kuhn K.D. Using structural topic modeling to identify latent topics and trends in aviation incident reports // Transportation Research Part C-emerging Technologies. 2018. Vol. 87. Pp. 105–122. DOI:10.1016/j.trc.2017.12.018; Switzer J., Khan L., Muhaya F.B. Subjectivity classification and analysis of the ASRS corpus [Электронный ресурс] // 2011 IEEE International Conference on Information Reuse & Integration. USA, Las Vegas, NV, 2011. Pp. 160–165. DOI:10.1109/IRI.2011.6009539 (дата обращения: 22.01.2024).; Ono M., Nakanishi M. Analysis of human factors and resilience competences in asrs data using natural language processing // Digital Human Modeling and Applications in Health, Safety, Ergonomics and Risk Management. HCII 2023. Lecture Notes in Computer Science. 2023. Vol. 14029. Pp. 548–561. DOI:10.1007/978-3-031-35748-0_37; Blei D.M., Ng A.Y., Jordan M.I. Latent dirichlet allocation // The Journal of Machine Learning Research. 2003. Vol. 3. Pp. 993–1022.; Мэрфи К.П. Вероятностное машинное обучение: введение / Пер. с англ. А.А. Слинкина. М.: ДМК Пресс, 2022. 990 с.; Ester M. A Density-based algorithm for discovering clusters in large spatial databases with Noise / M. Ester, H.P. Kriegel, J. Sander, X. Xu [Электронный ресурс] // Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), USA, Washington, DC, 1996. Pp. 1–6. URL: https://cs.fit.edu/~pkc/classes/ml-internet/papers/ester96kdd-dbscan.pdf (дата обращения: 23.01.2024).; Nils H., Gampfer F., Buchkremer R. Latent dirichlet allocation and t-distributed stochastic neighbor embedding enhance scientific reading comprehension of articles related to enterprise architecture // AI. 2021. Vol. 2, no. 2. Pp. 179–194. DOI:10.3390/ai2020011; Van Der Maaten L. Accelerating t-SNE using tree-based algorithms // Journal of Machine Learning Research. 2015. Vol. 15, Pp. 3221–3245.; Van der Maaten L., Hinton G.E. Visualizing high-dimensional data using t-SNE // Journal of Machine Learning Research. 2008. Vol. 9. Pp. 2579–2605.; Коршунов А., Гомзин А. Тематическое моделирование текстов на естественном языке // Труды Института системного программирования РАН. 2012. № 23. С. 215–242. DOI:10.15514/ISPRAS-2012-23-13; Slutsky A., Hu X., An Y. Tree labeled LDA: a hierarchical model for web summaries [Электронный ресурс] // Proceedings of the 2013 IEEE International Conference on Big Data. USA, Silicon Valley, CA, 2013. Pp. 134–140. DOI:10.1109/BigData.2013.6691745 (дата обращения: 28.01.2024).; Краснов Ф.В., Баскакова Е.Н., Смазневич И.С. Оценка прикладного качества тематических моделей для задач кластеризации // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2021. № 56. С. 100–111. DOI:10.17223/19988605/56/11; Shaheen S., Marco R.S. Full-text or abstract? Examining topic coherence scores using Latent Dirichlet Allocation [Электронный ресурс] // 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA). Japan, Tokyo, 2017. Pp. 165–174. DOI:10.1109/DSAA.2017.61 (дата обращения: 28.01.2024).; https://avia.mstuca.ru/jour/article/view/2400

Dostupnost: https://avia.mstuca.ru/jour/article/view/2400
https://doi.org/10.26467/2079-0619-2024-27-4-34-49

View record from BASE

Nájsť tento článok vo Web of Science

14

Methodology for extracting narratives from social media big data ; Методология извлечения нарративов из больших массивов данных социальных сетей

Autoři: E. Yu. Petrov A. Yu. Sarkisova D. O. Dunaeva a další

Přispěvatelé: E. Yu. Petrov A. Yu. Sarkisova D. O. Dunaeva a další

Zdroj: MIR (Modernization. Innovation. Research); Том 15, № 3 (2024); 404-420 ; МИР (Модернизация. Инновации. Развитие); Том 15, № 3 (2024); 404-420 ; 2411-796X ; 2079-4665 ; 10.18184/2079-4665.2024.15.3

Témata: большие данные, automated narrative mining, topic modeling, PolyAnalyst, social media, public opinion on vaccination, big data, автоматизированное извлечение нарративов, тематическое моделирование, социальные сети, общественное мнение о вакцинации

Popis souboru: application/pdf

Relation: https://www.mir-nayka.com/jour/article/view/1724/1039; Zhang Q., Gao J., Wu J.T., Cao Z., Zeng D.D. Data science approaches to confronting the COVID-19 pandemic: a narrative review // Philosophical Transactions. Series A, Mathematical, physical, and engineering sciences. 2021. Vol. 380. P. e20210127. https://doi.org/10.1098/rsta.2021.0127; Bozkurt A., Karakaya K., Turk M., Karakaya Ö., Castellanos-Reyes D. The impact of COVID-19 on education: A metanarrative review // TechTrends. 2022. Vol. 66. P. 883–896. https://doi.org/10.1007/s11528-022-00759-0; Mennella C., Maniscalco U., De Pietro G., Esposito M. Ethical and regulatory challenges of AI technologies in healthcare: A narrative review // Heliyon Volume. 2024. Vol. 10. Iss. 4. P. e26297. https://doi.org/10.1016/j.heliyon.2024.e26297; Kim J., Monroy-Hernandez A. Storia: Summarizing social media content based on narrative theory using crowdsourcing // CSCW '16: Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work and Social Computing (February 27 – March 2, 2016). San Francisco, 2016. P. 1018–1027. https://doi.org/10.1145/2818048.2820072; Рудакова Г.М., Корчевская О.В. Разработка системы по обработке нарративных данных // ИТНОУ: Информационные технологии в науке, образовании и управлении. 2018. № 5(9). С. 33–38. EDN: https://elibrary.ru/yofcnn; Бойченко А.Е., Жучкова С.В. Что скрывает русский рэп? Тематическое моделирование текстов русскоязычной хипхоп сцены // Журнал социологии и социальной антропологии. 2020. Т. 23. № 2. С. 130–165. EDN: https://elibrary.ru/rqypza. https://doi.org/10.31119/jssa.2020.23.2.6; Ghodratnama S., Beheshti A., Zakershahrak M., Sobhanmanesh F. Intelligent narrative summaries: From indicative to informative summarization // Big Data Research. 2021. Vol. 26. P. 1–13. https://doi.org/10.1016/j.bdr.2021.100257; Messaoudi C., Guessoum Z., Ben Romdhane L. Opinion mining in online social media: a survey // Social Network Analysis and Mining. 2022. Vol. 12. P. 25. https://doi.org/10.1007/s13278-021-00855-8; Jaidka K. Chapter 17: Public opinion analytics with social media // In: Research Handbook on Social Media and Society / Ed. M.M. Skoric, N. Pang. 2024. P. 224–239. https://doi.org/10.4337/9781800377059.00028; Oghaz T.A., Mutlu E.C., Jasser J., Yousefi N., Garibay I. Probabilistic model of narratives over topical trends in social media: A discrete time model // Proceedings of the 31st ACM Conference on Hypertext and Social Media (HT '20). New York, 2020. P. 281–290. https://doi.org/10.1145/3372923.3404790; Shahsavari S., Holur P., Wang T., Tangherlini T.R., Roychowdhury V. Conspiracy in the time of corona: automatic detection of emerging COVID-19 conspiracy theories in social media and the news // Journal of Computational Social Science. 2020. Vol. 3. P. 279–317. https://doi.org/10.1007/s42001-020-00086-5; Sharma K., Zhang Y., Liu Y. COVID-19 vaccine misinformation campaigns and social media narratives // Proceedings of the International AAAI Conference on Web and Social Media. 2022. Vol. 16. Iss. 1. P. 920–931. https://doi.org/10.1609/icwsm.v16i1.19346; Edinger A., Valdez D., Walsh-Buhi E., Trueblood J.S., Lorenzo-Luaces L., Rutter L.A., Bollen J. Misinformation and public health messaging in the early stages of the MPOX outbreak: Mapping the Twitter narrative with deep learning // Journal of Medical Internet Research. 2023. Vol. 25. P. e43841. https://doi.org/10.2196/43841; Shafiq W. Optimizing organizational performance: A data-driven approach in management science // Bulletin of Management Revew. 2024. Vol. 1. Iss. 2. P. 31–40. URL: https://bulletinofmanagement.com/index.php/Journal/article/view/48 (дата обращения: 05.09.2024).; Saura J.R., Ribeiro-Soriano D., Palacios-Marqués D. Data-driven strategies in operation management: mining usergenerated content in Twitter // Annals of Operations Research. 2024. Vol. 333. P. 849–869. https://doi.org/10.1007/s10479-022-04776-3; Sarioguz O., Miser E. Data-driven decision-making: Revolutionizing management in the information era // Journal of Artificial Intelligence General Science. 2023. Vol. 4. Iss. 1. P. 179–194. https://doi.org/10.60087/jaigs.v4i1.131; Adegoke B.A., Odugbose T., Adeyemi C. Harnessing big data for tailored health communication: A systematic review of impact and techniques // International Journal of Biology and Pharmacy Research Updates. 2024. Vol. 03. Iss. 02. P. 001–010. https://doi.org/10.53430/ijbpru.2024.3.2.0024; Johnson N.F., Velásquez N., Restrepo N.J., Leahy R., Gabriel N., El Oud S., Zheng M., Manrique P., Wuchty S., Lupu Y. The online competition between pro-and anti-vaccination views // Nature. 2020. Vol. 582. P. 230–233. https://doi.org/10.1038/s41586-020-2281-1; Germani F., Biller-Andorno N. The anti-vaccination infodemic on social media: A behavioral analysis // PLoS One. 2021. Vol. 16. Iss. 3. P. e0247642. https://doi.org/10.1371/journal.pone.0247642; Mønsted B., Lehmann S. Characterizing polarization in online vaccine discourse – A large-scale study // PLoS One. 2022. Vol. 17. Iss. 2. P. e0263746. https://doi.org/10.1371/journal.pone.0263746; Nguyen A., Catalan-Matamoros D. Anti-vaccine discourse on social media: an exploratory audit of negative tweets about vaccines and their posters // Vaccines. 2022. Vol. 10. Iss. 12. P. 2067. https://doi.org/10.3390/vaccines10122067; Воронцов К.В. Задачи и методы понимания естественного языка для мониторинга медиа-пространства // В книге: Математические методы распознавания образов: тезисы докладов 20-й Всероссийской конференции с международным участием, г. Москва, 2021 г. Москва: Российская академия наук, 2021. С. 362–367. URL: http://machinelearning.ru/wiki/images/0/02/Mmpr_2021.pdf (дата обращения: 05.09.2024).; Danto A. Narrative sentences // History and Theory. 1962. Vol. 2. Iss. 2. P. 146–179. URL: https://abuss.narod.ru/Biblio/eng/danto_narrsentences.htm (дата обращения: 05.09.2024).; Genette G. Narrative discourse: An essay in method. New York: Cornell University Press, 1983. 285 p. URL: https://ia802908.us.archive.org/24/items/NarrativeDiscourseAnEssayInMethod/NarrativeDiscourse-AnEssayInMethod.pdf (дата обращения: 05.09.2024).; Kempen G. Sentence parsing // In: Language Comprehension: A Biological Perspective. Berlin, Heidelberg: Springer, 1998. P. 213–228. https://doi.org/10.1007/978-3-642-97734-3_7; Гиниятуллин В.М., Салихова М.А., Хлыбов А.В., Чурилов Д.А., Чурилова Е.А. Оценка семантической близости между критериями оценивания в рабочих программах вуза // Современные наукоемкие технологии. 2021. № 1. С. 12–19. EDN: https://elibrary.ru/rfttvv. https://doi.org/10.17513/snt.38464; Белова К.М., Судаков В.А. Исследование эффективности методов оценки релевантности текстов // Препринты ИПМ им. М.В. Келдыша. 2020. № 68. 16 с. http://doi.org/10.20948/prepr-2020-68

Dostupnost: https://www.mir-nayka.com/jour/article/view/1724
https://doi.org/10.18184/2079-4665.2024.15.3.404-420

View record from BASE

Nájsť tento článok vo Web of Science

15

Анализ записей пользователей социальных сетей для выявления актуальных проблем ; Social Network Users’ Posts’ Analysis for Actual Problems’ Detection

Autoři: Большаков Сергей Сергеевич Sergei S. Bolshakov Стуколов Сергей Владимирович a další

Zdroj: Interactive science; № 1(87); 45-50 ; Интерактивная наука; № 1(87); 45-50 ; ISSN: 2414-9411 ; 2414-9411 ; ISSN(electronic Version): 2500-2686 ; 2500-2686

Témata: компьютерная лингвистика, анализ общественного мнения, анализ социальных сетей, тематическое моделирование, нечёткая кластеризация, аддитивная регуляризация тематических моделей, public opinion’s analysis, social networks’ analysis, computational linguistics, fuzzy clustering, additive regularization for topic modeling, top-ic modeling

Popis souboru: text/html

Relation: info:eu-repo/semantics/altIdentifier/pissn/2414-9411; info:eu-repo/semantics/altIdentifier/eissn/2500-2686; Monthly international scientific journal Interactive science Issue 1(87); https://interactive-plus.ru/e-articles/894/Action894-561564.pdf; Перечень поручений по итогам заседания Совета по развитию местного самоуправления от 1 марта 2020 года. Пр-354, п. 3 [Электронный ресурс]. – Режим доступа: http://www.kremlin.ru/acts/assignments/orders/62919; Шокин Ю.И. Проблемы поиска информации / Ю.И. Шокин, А.М. Федотов, В.Б. Барахнин. – Наука, 2010. – ISBN 918–5-02–018969–0.; Пархоменко П.А. Обзор и экспериментальное сравнение методов кластеризации текстов / П.А. Пархоменко, А.А. Григорьев, Н.А. Астраханцев // Труды ИСП РАН. – 2017. – Т. 29. Вып. 2. – С. 161–200. DOI:10.15514/ISPRAS-2017–29(2)-6. – EDN YNEYWH; Hofmann Thomas Probabilistic latent semantic indexing. Proceedings of the 22nd annual international ACM SIGIR conference on Research and development in information retrieval. ACM. 1999, pp. 50–57.; Scott Deerwester, Susan T Dumais, George W Furnas et al. Indexing by latent semantic analysis. Journal of the American society for information science. – 1990. – Т. 41. №6. – pp. 391.; Xu Wei, Liu Xin, Gong Yihong. Document clustering based on non-negative matrix factorization. Proceedings of the 26th annual international ACM SIGIR conference on Research and development in informaion retrieval. ACM. 2003, pp. 267–273.; Blei David M, Ng Andrew Y, Jordan Michael I. Latent dirichlet allocation. Journal of machine Learning research. – 2003. – Т. 3. – № Jan. – pp. 993–1022.; BigARTM – тематическое моделирование на Python [Электронный ресурс]. – Режим доступа: https://newtechaudit.ru/bigartm-tematicheskoe-modelirovanie-na-python/; Воронцов К.В. Вероятностное тематическое моделирование: теория регуляризации АRТМ и библиотека с открытым кодом ВigАRТМ / К.В. Воронцов. – Московский государственный университет им. М.В. Ломоносова, Московский физико-технический институт (государственный университет). Федеральный исследовательский центр «Информатика и управление» РАН, 2023 г. – ISBN 978–5-9710–9933–8.; Руководство пользователя библиотеки BigARTM [Электронный ресурс]. – Режим доступа: https://bigartm.readthedocs.io/en/stable/tutorials/index.html; Кранзеева Е.А. Региональное социально-политическое взаимодействие: субъекты и репрезентанты (на основе Кузбасса) / Е.А. Кранзеева, А.Л. Бурмакина, О.А. Алтемерова // Вестник РГГУ. Серия: Философия. Социология. Искусствоведение. – 2020. – №3. – ISSN 2073–6401. – DOI 10.28995/2073-6401-2020-3-76-86. – EDN VVKKBM

Dostupnost: https://interactive-plus.ru/files/Books/894/65a8ebc6dbcb9.jpg?req=561564
https://interactive-plus.ru/article/561564/discussion_platform
https://doi.org/10.21661/r-561564

View record from BASE

Nájsť tento článok vo Web of Science

16

Dataset and Development of Learning Analytic Tool to Extract Manifestations of Students’ Agency from Texts of Comments from MOOCs ; Датасет и разработка инструмента учебной аналитики для извлечения проявлений студенческой агентности из текстов отзывов на МООК

Autoři: Дюличева, Юлия

Zdroj: Voprosy obrazovaniya / Educational Studies Moscow; No 1 (2024) ; Вопросы образования / Educational Studies Moscow; № 1 (2024) ; 2412-4354 ; 1814-9545 ; 10.17323/1814-9545-2024-1

Témata: MOOC, learning analytics, student agency, sentiment analysis, unigrams, bigrams, topic modeling, МООК, учебная аналитика, студенческая агентность, тональность, униграммы, биграммы, тематическое моделирование