Санкт-Петербургский университет ГПС МЧС России (кафедра пожарной, аварийно-спасательной техникии автомобильного хозяйства, соискатель)
Россия
Проведён анализ методов и подходов прогнозирования развития происшествий по информации из социальных сетей. Показана актуальность темы исследования, продемонстрировано, что существующие методы и подходы обладают рядом недостатков, которые не позволяют в должной степени использовать их для решения задач МЧС России. В заключении статьи автор приходит к мнению о целесообразности разработки новой авторской методики, в которой будут исключены выявленные недостатки.
социальные сети, прогнозирование, происшествия, экстренные службы, информационные технологии
1. Беген П.Н., Низомутдинов Б.А. Разработка метода извлечения адреса из текста сообщений о происшествиях в социальных сетях для формирования геопривязанных данных // Альманах научных работ молодых учёных университета ИТМО. СПб., 2021. С. 152–155.
2. Агеева А.А. Анализ тональности постов сообществ социальной сети «Вконтакте» // Общество. Наука. Инновации (НПК-2022): сб. статей XXII Всерос. науч.-практ. конф.: в 2-х т. Киров, 2022. С. 172–179.
3. Фокина А.И., Чеповский А.А., Чеповский А.М. Использование платформы TXM корпусного анализа для анализа текстов сообществ социальных сетей // Вестник НГУ. Сер.: Информацонные технологии. 2023. Т. 21. № 2. С. 29–38. DOI:https://doi.org/10.25205/1818-7900-2023-21-2-29-38.
4. Методика анализа данных о чрезвычайных ситуациях в социальных сетях / А.В. Вострых [и др.] // Современные наукоемкие технологии. 2023. № 6. С. 81–88. DOI:https://doi.org/10.17513/snt.39635.
5. Вострых А.В., Самарин М.А., Максимов А.В. Анализ существующих подходов получения и обработки данных из социальных сетей // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2023. № 1. С. 109–120.
6. Вострых А.В., Медведев Д.В. Алгоритм многокритериального анализа текстовой информации // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2023. № 3. С. 118–128.
7. Вострых А.В., Самарин М.А., Модели описания информационных ресурсов социальных сетей // Студент: наука, профессия, жизнь: материалы X Всерос. студенческой науч. конф. с междунар. участием: в 5-ти ч. Омск, 2023. С. 288–293.
8. Ding J., Liu L., Wang Yu. Stochastic Game Model for Information Dissemination of Emergency Events in Social Network // Intelligence and Security Informatics (ISI), IEEE International Conference. 2013. P. 166–168.
9. Синев М.П. Алгоритмический подход к анализу профиля пользователя социальной сети на основе мультимодальных темпоральных данных // XXI век: итоги прошлого и проблемы настоящего плюс. 2020. Т. 9. № 1 (49). С. 14–20.
10. Batura T.V. Models and methods of analysis of computer social networks // Software products and systems. 2013. № 3. P. 24–39.
11. Gandon F., Buffa M., Corby O. Semantic Social Network Analysis // Proc. 8th Intern. Semantic Web Conf. 2009. P. 180–195.
12. Журафски Д., Мартин Дж. Х. Speech and Language Processing. URL: https://web.stanford.edu/~jurafsky/slp3/ (дата обращения: 20.09.2025).
13. Cambria E., White B. Jumping NLP Curves: A Review of Natural Language Processing Research // IEEE Computational Intelligence Magazine. 2014. Т. 9. № 2. С. 48–57.
14. Liu B. Sentiment Analysis and Opinion Mining // Synthesis Lectures on Human Language Technologies. 2012. № 5 (1). 167 с.
15. Feldman R. Techniques and Applications for Sentiment Analysis // Communications of the ACM. 2013. № 56 (4). P. 82–89.
16. Bishop C.M., Бишоп К.М. Pattern Recognition and Machine Learning. Springer. 2006. P. 19–24.
17. Zhang Yu., Zhang D. Deep Learning for Social Media Data Analysis // IEEE Transactions on Neural. 2018. P. 81–94.
18. Leskovec J., Kleinberg J., Faloutsos C. Graphs over time: Densification laws, shrinking diameters and possible explanations // Proc. 11th ACM SIGKDD Intern. Conf. on Knowledge Discovery in Data Mining. NY. 2005. P. 177–187.
19. Vincent D.B., Jean-Loup G., Renaud L. Fast unfolding of communities in large networks // arXiv: 0803.0476v2. 2008. P. 594–609.
20. Airoldi E.M. Mixed membership stochastic blockmodels // Learn. Res. 9. 2008. P. 1981–2014.
