Реєстраційний номер
0826U001067, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
12-06-2026
Статус
Захищена
Назва роботи
Інтелектуальна технологія кластеризації користувачів соціальних мереж на основі аналізу тональності повідомлень
Здобувач
Батюк Тарас Миронович,
Керівник Досин Дмитро Григорович
Опонент Безсонов Олександр Олександрович
Опонент Субботін Сергій Олександрович
Рецензент Лозинська Ольга Володимирівна
Рецензент Назаркевич Марія Андріївна
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Національний університет "Львівська політехніка"
Опис
Дисертаційне дослідження присвячене розв’язанню актуального науково-прикладного завдання, що полягає у розробленні математичних методів та програмних засобів для кластеризації користувачів соціальних мереж на основі аналізу тональності та семантичного змісту їхніх текстових повідомлень. В умовах стрімкої цифровізації та зростання ролі онлайн-комунікацій соціальні мережі перетворилися на ключове середовище формування громадської думки, обміну інформацією та соціальної взаємодії. У зв’язку з цим ефективний аналіз великих обсягів неструктурованих текстових даних набуває особливого значення для дослідження поведінкових моделей користувачів, їхніх інтересів, емоційних станів та групових взаємозв’язків у віртуальному просторі.
Такий підхід забезпечує більш точне та інформативне групування користувачів відповідно до їхніх емоційних, тематичних і поведінкових характеристик, а також дозволяє виявляти приховані структури у великих масивах соціальних даних.
Наукова новизна отриманих результатів полягає у створенні інтелектуальної технології кластеризації користувачів соціальних мереж, яка інтегрує сучасні методи аналізу текстів на основі глибокого навчання та алгоритми машинного навчання для автоматизованого виявлення груп користувачів із подібними емоційними та семантичними характеристиками. Вперше запропоновано комплексну інтеграцію моделей аналізу тональності та семантики з алгоритмом K-means у єдину технологічну схему, що дозволяє підвищити точність і стійкість результатів кластеризації. Окрім того, удосконалено методику попереднього опрацювання та нормалізації текстових даних, що сприяє підвищенню якості їх подальшого аналізу та інтерпретації. Практична значущість отриманих результатів полягає у можливості використання розроблених програмних засобів для автоматизованого аналізу соціальних даних з метою виявлення груп користувачів із подібними інтересами, емоційними станами та інформаційними потребами.
Запропонована технологія може бути застосована в маркетингових дослідженнях, соціологічному аналізі, рекомендаційних системах, а також у діяльності державних органів і бізнес-структур для аналізу суспільних настроїв, оптимізації інформаційної політики та підвищення ефективності взаємодії з аудиторією в цифровому середовищі.
У першому розділі здійснено комплексний огляд сучасних методів побудови технологій аналізу тональності, кластеризації повідомлень та авторизації й автентифікації користувачів. Проаналізовано ключові підходи до опрацювання текстових даних, зокрема методи семантичного та емоційного аналізу на основі глибинних нейронних мереж із акцентом на LSTM-архітектурах.
Другий розділ дослідження присвячено концептуальному проектуванню інтелектуальної технології для аналізу тональності та кластеризації користувачів соціальних мереж. Розроблено концептуальну модель опрацювання даних, яка передбачає інтеграцію різнорідних джерел інформації та багатовимірних ознак, зокрема текстових векторів, LSTM-ознак емоційного стану та CNN-ознак візуального контенту.
Третій розділ роботи присвячено навчанню та експериментальній апробації методів і програмних засобів інтелектуальної технології, спрямованої на аналіз тональності та подальшу кластеризацію користувачів соціальних мереж.
Навчання моделей здійснювалося на попередньо підготовлених вибірках даних, сформованих на основі текстових повідомлень із соціальних мереж, з урахуванням процедур нормалізації та очищення даних. Для оцінювання якості побудованих моделей проведено порівняльний аналіз із використанням показників точності та повноти. Отримані експериментальні результати підтвердили ефективність поєднання LSTM, S-BERT та XGBoost для аналізу емоційного стану та семантичних характеристик текстів.
Четвертий розділ спрямовано на практичну реалізацію та експериментальне навчання інтелектуальної технології кластеризації користувачів соціальних мереж на основі комплексного аналізу текстових і візуальних даних. У межах цього етапу результати аналізу тональності текстових повідомлень, а також ознаки, виділені з фотографій користувачів із використанням згорткових нейронних мереж CNN, інтегруються з вихідними даними алгоритму XGBoost для формування узагальненого вектора характеристик користувача. Подальший аналіз здійснюється із застосуванням алгоритму K-means, який виконує групування користувачів на основі багатовимірних векторів ознак, сформованих за результатами семантичного аналізу текстів, аналізу тональності та візуальних характеристик.
Таким чином, розроблений підхід не лише підвищує аналітичну точність технології, але й створює інтерактивне середовище соціальної взаємодії, у якому користувачі можуть досліджувати власні вподобання, знаходити спільноти за інтересами та формувати персоналізований цифровий досвід.
Дата реєстрації
2026-04-16
Додано/оновлено в НРАТ
2026-04-16 / 2026-07-02
