Отрывок: Вывод Мы представили технологию кластеризации контен- та в социальных сетях на основе алгоритмов аннотации классов GoogLeNet и k-means++. Предложенный метод показал многообещающие результаты и позволил соот- нести каждое изображение с одним из 13 классов, опи- сывающих наиболее часто размещаемый медиаконтент. Серия экспериментов доказала высокое качество кла- стеризации, в среднем, ошибка составила порядка 5 %, для сравнения, алгоритм на основе оценки гистогр...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Рыцарев, И.А. | - |
dc.contributor.author | Кирш, Д.В. | - |
dc.contributor.author | Куприянов, А.В. | - |
dc.date.accessioned | 2018-11-13 15:56:56 | - |
dc.date.available | 2018-11-13 15:56:56 | - |
dc.date.issued | 2018 | - |
dc.identifier | Dspace\SGAU\20181112\72399 | ru |
dc.identifier.citation | Рыцарев, И.А. Кластеризация медиа-контента из социальных сетей с использованием технологии BigData / И.А. Рыцарев, Д.В. Кирш, А.В. Куприянов // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 921-927. – DOI: 10.18287/2412-6179-2018-42-5- 921-927 | ru |
dc.identifier.uri | 10.18287/2412-6179-2018-42-5- 921-927 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Klasterizaciya-mediakontenta-iz-socialnyh-setei-s-ispolzovaniem-tehnologii-BigData-72399 | - |
dc.description.abstract | Статья посвящена одной из ключевых проблем, возникающих при анализе социальных сетей, – проблеме классификации учётных записей на основе медиаконтента, загружаемого пользователями. Основными трудностями на пути решения проблемы являются гетерогенность контента (как по формату, так и по содержанию) и колоссальные объёмы анализируемой информации, что приводит к чрезмерной вычислительной сложности её обработки, а зачастую и к полной неэффективности традиционных методов анализа. В статье мы обсуждаем подход к кластеризации медиаконтента из социальных сетей на основе текстового аннотирования с использованием технологии BigData – современного и эффективного инструмента, позволяющего решить проблемы обработки данных большого объёма. Для проведения вычислительных экспериментов была собрана большая выборка разнородных изображений (фотографии, картины, поздравительные открытки и т. д.) из реальных профилей пользователей социальной сети Twitter. Проведённое исследование подтвердило высокое качество кластеризации медиаконтента, в среднем, значение ошибки составило порядка 5 %. | ru |
dc.description.sponsorship | Работа выполнена при частичной поддержке Министерства науки и высшего образования РФ в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН (соглашение № 007-ГЗ/Ч3363/26); Министерства образования и науки РФ в рамках реализации мероприятий Программы повышения конкурентоспособности Самарского университета среди ведущих мировых научно-образовательных центров на 2013–2020 годы; грантов РФФИ № 15-29-03823, № 16-41-630761, № 17-01-00972, № 18-37-00418; в рамках госзадания по теме № 0026-2018-0102 «Оптоинформационные технологии получения и обработки гиперспектральных данных». | ru |
dc.language.iso | rus | ru |
dc.publisher | Новая техника | ru |
dc.relation.ispartofseries | 42;5 | - |
dc.subject | кластеризация | ru |
dc.subject | технология BigData | ru |
dc.subject | текстовое аннотирование | ru |
dc.subject | социальные сети | ru |
dc.subject | анализ медиа-контента | ru |
dc.subject | алгоритм k-means | ru |
dc.subject | GoogLeNet | ru |
dc.title | Кластеризация медиа-контента из социальных сетей с использованием технологии BigData | ru |
dc.title.alternative | Clustering of media content from social networks using BigData technology | ru |
dc.type | Article | ru |
dc.textpart | Вывод Мы представили технологию кластеризации контен- та в социальных сетях на основе алгоритмов аннотации классов GoogLeNet и k-means++. Предложенный метод показал многообещающие результаты и позволил соот- нести каждое изображение с одним из 13 классов, опи- сывающих наиболее часто размещаемый медиаконтент. Серия экспериментов доказала высокое качество кла- стеризации, в среднем, ошибка составила порядка 5 %, для сравнения, алгоритм на основе оценки гистогр... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
420524.pdf | 669.12 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.