ОПРЕДЕЛЕНИЕ ДЕМОГРАФИИ ПОЛЬЗОВАТЕЛЯ СОЦИАЛЬНОЙ СЕТИ НА ОСНОВЕ СОЦИАЛЬНОГО ГРАФА.

Standard

ОПРЕДЕЛЕНИЕ ДЕМОГРАФИИ ПОЛЬЗОВАТЕЛЯ СОЦИАЛЬНОЙ СЕТИ НА ОСНОВЕ СОЦИАЛЬНОГО ГРАФА. / Толмачев, Виктор Александрович.

In: Colloquium-journal, No. 13-2 (37), 2019, p. 320-321.

Research output: Contribution to journal › Article › peer-review

BibTeX

@article{d5efbf8e97264604a7f9d711335377b9,

title = "ОПРЕДЕЛЕНИЕ ДЕМОГРАФИИ ПОЛЬЗОВАТЕЛЯ СОЦИАЛЬНОЙ СЕТИ НА ОСНОВЕ СОЦИАЛЬНОГО ГРАФА.",

abstract = "Развитие сервисов социальных сетей вызвал интерес к прогнозированию скрытой информации из большого количества свободно доступного публичного контента. Для прогнозирования атрибутов пользователя, как правило, используется информация, которую пользователь оставил о себе в своем профиле. В данной работе исследуются и применяются методы машинного обучения с учителем к задачам определения возраста и пола пользователя, используя информацию из профиля пользователя, а также метод, который извлекает информацию из социального графа пользователя и представляют эту информацию в виде векторов - графовых эмбеддингов (DeepWalk). Помимо этого реализована графовая нейронная сеть, которая решает проблемы алгоритма DeepWalk. По результатам проведенного анализа, применение графовых эмбеддингов дало прирост качества как в задаче определения возраста, так и в задаче определения пола. Использование графовой нейронной сети улучшило качество только в задаче определения пола пользователя.",

keywords = "classification, gradient boosting, Graph embeddings, graph neural network, k-nearest neighbors, k-ближайших соседей, linear regression, logistic regression, machine learning, random forest, regression, support vector machine, градиентный бустинг, графовая нейронная сеть, графовые эмбеддинги, классификация, линейная регрессия, логистическая регрессия, машинное обучение, метод опорных векторов, регрессия, случайный лес, classification, gradient boosting, Graph embeddings, graph neural network, k-nearest neighbors, k-ближайших соседей, linear regression, logistic regression, machine learning, random forest, regression, support vector machine, градиентный бустинг, графовая нейронная сеть, графовые эмбеддинги, классификация, линейная регрессия, логистическая регрессия, машинное обучение, метод опорных векторов, регрессия, случайный лес",

author = "Толмачев, {Виктор Александрович}",

year = "2019",

language = "русский",

pages = "320--321",

journal = "Colloquium journal",

issn = "2520-2480",

publisher = "Голопристанский районный центр занятости",

number = "13-2 (37)",

}

RIS

TY - JOUR

T1 - ОПРЕДЕЛЕНИЕ ДЕМОГРАФИИ ПОЛЬЗОВАТЕЛЯ СОЦИАЛЬНОЙ СЕТИ НА ОСНОВЕ СОЦИАЛЬНОГО ГРАФА.

AU - Толмачев, Виктор Александрович

PY - 2019

Y1 - 2019

N2 - Развитие сервисов социальных сетей вызвал интерес к прогнозированию скрытой информации из большого количества свободно доступного публичного контента. Для прогнозирования атрибутов пользователя, как правило, используется информация, которую пользователь оставил о себе в своем профиле. В данной работе исследуются и применяются методы машинного обучения с учителем к задачам определения возраста и пола пользователя, используя информацию из профиля пользователя, а также метод, который извлекает информацию из социального графа пользователя и представляют эту информацию в виде векторов - графовых эмбеддингов (DeepWalk). Помимо этого реализована графовая нейронная сеть, которая решает проблемы алгоритма DeepWalk. По результатам проведенного анализа, применение графовых эмбеддингов дало прирост качества как в задаче определения возраста, так и в задаче определения пола. Использование графовой нейронной сети улучшило качество только в задаче определения пола пользователя.

AB - Развитие сервисов социальных сетей вызвал интерес к прогнозированию скрытой информации из большого количества свободно доступного публичного контента. Для прогнозирования атрибутов пользователя, как правило, используется информация, которую пользователь оставил о себе в своем профиле. В данной работе исследуются и применяются методы машинного обучения с учителем к задачам определения возраста и пола пользователя, используя информацию из профиля пользователя, а также метод, который извлекает информацию из социального графа пользователя и представляют эту информацию в виде векторов - графовых эмбеддингов (DeepWalk). Помимо этого реализована графовая нейронная сеть, которая решает проблемы алгоритма DeepWalk. По результатам проведенного анализа, применение графовых эмбеддингов дало прирост качества как в задаче определения возраста, так и в задаче определения пола. Использование графовой нейронной сети улучшило качество только в задаче определения пола пользователя.

KW - classification

KW - gradient boosting

KW - Graph embeddings

KW - graph neural network

KW - k-nearest neighbors

KW - k-ближайших соседей

KW - linear regression

KW - logistic regression

KW - machine learning

KW - random forest

KW - regression

KW - support vector machine

KW - градиентный бустинг

KW - графовая нейронная сеть

KW - графовые эмбеддинги

KW - классификация

KW - линейная регрессия

KW - логистическая регрессия

KW - машинное обучение

KW - метод опорных векторов

KW - регрессия

KW - случайный лес