Россия
Россия
В последнее время значительно увеличилась роль различного рода социальных сетей как источника массива разнородных данных, в том числе при возникновении происшествий и чрезвычайных ситуаций. Анализ всего массива таких гетерогенных данных, аккумулирующихся в социальных сетях, позволяет на его основе принимать управленческие решения и вырабатывать сценарии превентивных действий спасательных служб при возникновении происшествий. Это требует разработки специализированной информационной системы, направленной на решение данной задачи. В настоящей статье предложена оригинальная архитектура данной информационной системы, на основе которой в дальнейшем планируется реализация программного продукта.
большие данные, чрезвычайная ситуация, программное средство, коэффициенты и индикаторы, структуризация
1. Thaduri A. Railway Assets: A Potential Domain for Big Data Analytics // Procedia Computer Science. 2015. Vol. 53. P. 457-467.
2. Рабинович А.Е., Август А.В. Применение технологии Big Data в сфере железнодорожного сообщения // Оригинальные исследования. 2021. Т. 11. С. 155-161.
3. Сбоев А.Г. Нейросетевое моделирование и машинное обучение на основе экспериментальных и наблюдательных данных: дис. … д-ра физ.-мат. наук. М., 2021. 389 с.
4. Вострых А.В. Когнитивная модель описания пользователей информационных систем, используемых в МЧС России // Природные и техногенные риски (физико-математические и прикладные аспекты). 2022. № 2 (42). С. 47-57.
5. Вострых А.В. Метод оценки эффективности графических пользовательских интерфейсов программных продуктов // Приборы и системы. Управление, контроль, диагностика. 2022. № 10. С. 19-28.
6. Еременко К. Работа с данными в любой сфере. Как выйти на новый уровень, используя аналитику. М.: Альпина Паблишер, 2019. 304 с.
7. Стивенс-Давидовиц С. Все лгут. Поисковики, Big Data и Интернет знают о вас все. М.: Эксмо, 2018. 384 с.
8. Максимов А.В., Матвеев А.В. Перспективы применения искусственного интеллекта в анализе больших данных социальных сетей при возникновении чрезвычайных ситуаций // Сервис безопасности в России: опыт, проблемы, перспективы. Современные методы и технологии предупреждения и профилактики возникновения чрезвычайных ситуаций: материалы XI Всерос. науч.-практ. конф. 2019. С. 284-286.
9. Максимов А.В., Матвеев А.В. Перспективы использования коллективных знаний при реагировании на чрезвычайные ситуации // Науч.-аналит. журн. «Вестник С.-Петерб. ун-та ГПС МЧС России». 2019. № 4. С. 89-97. EDN QPBTLA.
10. Гудовских Д.В. Анализ эмотивности текстов на основе психолингвистических маркеров с определением морфологических свойств // Вестник ВГУ. Сер.: Лингвистика и межкультурная коммуникация. 2015. № 3. С. 92-97.
11. Pang B., Lee L. Opinion mining and sentiment analysis // Foundations and Trendsin Information Retrieval. 2008. Vol. 2. № 1/2. P. 543-561.
12. Леонтьев А.А. Основы психолингвистики. М.: СМЫСЛ, 1997. 287 с.
13. Sadegh M. Opinion mining and sentiment analysis: A survey // International Journal of Computers & Technology 2.3. 2012. P. 171-178.
14. Beigi G. An overview of sentiment analysis in social media and its applications in disaster relief // Sentiment analysis and ontology engineering. Springer. 2016. P. 313-340.
15. Mika V.M., Graziotin D., Kuutila M. The evolution of sentiment analysis - A review of research topics, venues, and top cited papers // Computer Science Review 27. 2018. P. 16-32.
16. Mikolov T. Distributed representations of words and phrases and their compositionality // Advances in neural information processing systems. 2013. P. 3111-3119.
17. Wei X. Low-Resource cross-Domain product review sentiment classification based on a CNN with an auxiliary large-Scale corpus // Algorithms. 2017. Т. 10. № 3. P. 81.
18. McAuley J. Inferring networks of substitutable and complementary products. In Proceedings of the International Conference on Knowledge Discovery and Data Mining (KDD’15). Sydney, Australia. 2015. P. 178-183.
