Інтелектуальна система соціалізації груп користувачів за сукупними інтересами з використанням методів нечіткого пошуку текстової інформації та машинного навчання
Автор: Батюк Тарас Миронович
Кваліфікаційний рівень: магістр (ОНП)
Спеціальність: Системний аналіз (освітньо-наукова програма)
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2021-2022 н.р.
Мова захисту: українська
Анотація: В наш час автоматизація та оптимізація процесу соціалізації користувачів в мережі є важливим процесом, оскільки всі люди намагаються знайти користувачів зі спільними інтересами за якнайменш короткий час, на жаль більшість сучасних соціальних мереж не надають достатніх можливостей для швидкої і в той же час максимально ефективної соціалізації, тобто пошуку користувачів з приблизно тими самими інтересами що і у нас, створена інтелектуальна система соціалізації груп користувачів за сукупними інтересами з використанням методів нечіткого пошуку текстової інформації та машинного навчання вирішує цю проблему, забезпечує захищену реєстрацію та подальше користування програмою і за допомогою нейронної мережі визначає справжність зареєстрованих користувачів, також завдяки використанню хмарного сховища даних, всі медіа файли системи надійно збережені і не перевантажують базу даних системи. Об’єктом дослідження є важливий процес соціалізації користувачів, одним з основних процесів є саме соціалізація і в наш час більшість соціальних мереж намагаються максимально спростити та оптимізувати цей процес, відповідно щоб конкурувати з іншими соціальними мережами необхідно дослідити цей об’єкт і зрозуміти, як саме його покращити, для того щоб створювана інтелектуальна система успішно функціонувала і була зручною для користувачів, оскільки дуже важливо, щоб і система була достатньо розподіленою для оптимізації всіх важливих для функціонування процесів і користувачам було приємно нею користуватися і здійснювати процес соціалізації таким чином, щоб не виникало бажання якнайшвидше закрити систему, а навпаки, було легко і зручно використовувати протягом виділеного вільного часу. Предмет дослідження в конкретному даному випадку є в середині і представляє частину об’єкта дослідження, це користувач інтелектуальної системи. Оскільки система створюється в першу чергу для кінцевого користувача, який буде її використовувати відповідно до потреб, то необхідно звернути увагу і вивчити потенційних користувачів систем, як користувачі використовуються системи-аналоги, що саме людей приваблює та відштовхує в інтелектуальних системах даного виду, як саме краще покроково здійснити роботу системи, щоб користувачу все було очевидно та зрозуміло, щоб користувач міг з легкістю знаходити інших користувачів, взаємодіяти з ними, відповідно знайдені користувачі мають мати близький індекс схожості, що дозволить користувачам зі спільними інтересами знаходити один одного та взаємодіяти між собою за допомогою спілкування, або особистого, або у вигляді коментарів до публікацій інших користувачів, також кожен користувач відповідно зможе створювати власні публікації на певні теми і знаходити користувачів зі спільними інтересами, які зможуть дані теми піднімати та обговорювати. Чим оптимальніше продумати всі подібні процеси, тим на більше часу в системі затримається предмет даного дослідження, а саме користувач системи і чим більше користувачів затримається в системі, тим більший шанс, що відбудеться процес соціалізації. Основною метою є аналіз існуючих систем аналогів та пошук додаткової інформації в літературі, здійснення системного аналізу бажаної інтелектуальної системи, вибір всіх необхідних програмних та апаратних засобів та відповідне подальше створення інтелектуальної системи соціалізації груп користувачів за спільними інтересами. В ході виконання магістерської кваліфікаційної роботи були досягнуті основні завдання до виконання відповідно до наявної мети, створена інтелектуальна система не є ідеальною і досі існують компоненти, які потребують подальшого удосконалення, але те що реалізовано на даний момент дає змогу користувачу здійснити реєстрацію та авторизацію в системі, завантажити фото зі своїм лицем, отримати ідентифікатор схожості з іншими користувачами, здійснювати переписку зразу з декількома користувача за допомогою реалізованого динамічного чату і обговорювати різні теми з групами користувачів за допомогою реалізованого механізму публікувати, оцінювати та коментувати публікації. Ключові слова - відстань Левенштейна, згорткова нейронна мережа, нечіткий пошук, розширення вибірки, алгоритм N-грам, Noisy Channel, JWT токени. Перелік використаних літературних джерел. 1. De-Gregorio F., Sung Y. Understanding attitudes toward and behaviors in response to product placement. Journal of Advertising. 2010. № 39 (1). С. 83–96. DOI: http://doi.org/10.2753/JOA0091-3367390106 2. Elaheebocus S. M., Weal M., Morrison L. Peer-based social media features in behavior change interventions: Systematic review. Journal of Medical Internet Research. 2018. № 20 (2). С. 1–20. DOI: http://doi.org/10.2196/jmir.8342 3. Ferrara E., Interdonato R., Tagarelli A. Online popularity and topical interests through the lens of Instagram. Hypertext and Social Media. 2014. № 2. С. 24–23. DOI: http://doi.org/10.1145/2631775.2631808 4. Geurin-Eagleman A. N. Communicating via photographs: A gendered analysis of Olympic athletes’ visual self -presentation on Instagram. Sport Management Review. 2015. № 19 (2). С. 133–145. DOI: http://doi.org/10.1016/j.smr.2015.03.002 5. Hanna R., Rohm A., Crittenden V. L. We’re all connected: The power of the social media ecosystem. Business Horizons. 2011. № 54 (3). С. 265–273. DOI: http://doi.org/10.1016/j.bushor.2011.01.007 6. Kudeshia C., Sikdar P., Mittal A. Spreading love through fan page liking: A perspective on small scale entrepreneurs. Computers in Human Behavior. 2016. № 8 (19). С. 257–270. DOI: http://doi.org/10.1016/j.chb.2015.08.003 7. Lueg J. E. Interpersonal communication in the consumer socialization process: Scale development and validation. Journal of Marketing Theory and Practice. 2007. № 15 (1). С. 25–39. DOI: http://doi.org/10.2753/MTP1069-6679150102 8. Parry M. E., Kawakami T., Kishiya K. The effect of personal and virtual word-of-mouth on technology acceptance. Journal of Product Innovation Management. 2012. № 29 (6). С. 952–966. DOI: http://doi.org/10.1111/j.1540-5885.2012.00972.x 9. Quan-Haase A., Sloan L. Introduction to the Handbook of Social Media Research Methods: Goals, Challenges and Innovations. The Sage Handbook of Social Media Research Methods. 2017. № 10 (5). С. 606–859. DOI: http://doi.org/10.4135/9781473983847.n1 10. Murphy S. T. Affect, cognition, and awareness: Affective priming with optimal and suboptimal stimulus exposures. Journal of Personality and Social Psychology. 2001. № 8 (3). С. 723–739. DOI: http://doi.org/10.1037/0022-3514.64.5.723