350 руб
Журнал «Системы высокой доступности» №1 за 2020 г.
Статья в номере:
Индуктивные модели обучения поисковых агентов, работающих в социальных сетях
Тип статьи: научная статья
DOI: 10.18127/j20729472-202001-01
УДК: 004.855
Авторы:

Б.Н. Оныкий д.т.н., профессор, зав. кафедрой № 65 «Анализ конкурентных систем»,
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) (Москва)
E-mail: BNOnykij@mephi.ru
А.А. Артамонов – к.т.н. доцент, зам. зав. кафедрой № 65 «Анализ конкурентных систем»,
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) (Москва)
E-mail: AAArtamonov@mephi.ru
Е.С. Третьяков – ассистент,
кафедра № 65 «Анализ конкурентных систем»,
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) (Москва)
E-mail: etretyakov@kaf65.ru
А.И. Черкасский ассистент,
кафедра № 65 «Анализ конкурентных систем»,
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) (Москва)
E-mail: AICherkasskij@mephi.ru
К.В. Ионкина – аспирант,
кафедра № 65 «Анализ конкурентных систем»,
Национальный исследовательский ядерный университет «МИФИ» (НИЯУ МИФИ) (Москва)
E-mail: KVIonkina@mephi.ru

Аннотация:

Постановка проблемы. При проведении информационно-аналитических исследований в социальных сетях часто возникают задачи поиска похожих объектов. Решение этих задач с помощью агентных технологий поиска связано со следующими проблемами: поисковый аппарат самих социальных сетей настроен на интерактивное общение с пользователем, но не с его агентом, так как априори аналитические задачи пользователя не известны и не известен интеллектуальный уровень созданного пользователем поискового агента; объекты социальных сетей (персоны и группы) описываются десятками характеристик, причем не все из них являются обязательными при регистрации, другие зарегистрированные могут не иметь отношения к целевому поиску и, наконец, характеристики объектов в социальных сетях описываются всеми типами данных (числа, размерные величины, балльные оценки качественных характеристик, символы, изображения, аудио- и видеохарактеристики, тексты на различных национальных языках). Агентный поиск целевых объектов в столь сложной информационной среде оказывается нетривиальной задачей, не имеющей общего решения. Для преодоления перечисленных выше проблем авторы предлагают индуктивные эмпирические модели целевых объектов, которые позволяют корректно проводить информационно-аналитические исследования в социальных сетях, используя агентные технологии.

Цель. Разработать и описать индуктивные (эмпирические) модели целевых объектов для обучения поисковых агентов автономному сбору данных в социальных сетях.

Результаты. Предложена модель обучения агентов в социальных сетях для решения задач построения целевых векторов и идентификации объектов в интересах различных запросов.

Практическая значимость. Решение задач, описанных в данной статье, позволило авторам создать по Государственному заказу Министерства науки и высшего образования РФ мультиагентную многоязычную информационно-аналитическую систему «Поиск» для проведения социальных исследований по молодежной тематике с использованием данных социальной сети «Вконтакте». Полученные результаты могут быть использованы при анализе различных сложных объектов в информационно-коммуникационных сетях.

Страницы: 5-13
Для цитирования

Оныкий Б.Н., Артамонов А.А., Третьяков Е.С., Черкасский А.И., Ионкина К.В. Индуктивные модели обучения поисковых агентов, рабо­тающих в социальных сетях // Системы высокой доступности. 2020. Т. 16. № 1. С. 5–13. DOI: 10.18127/j20729472-202001-01.

 

Список источников
  1. Макаров В.Л., Бахтизин А.Р., Сушко Е.Д., Васенин В.А, Борисов В.А., Роганов В.А. Агент-ориентированные модели: мировой опыт и технические возможности реализации на суперкомпьютерах // Вестник Российской академии наук. 2016. Т. 86. № 3. С. 252–262.
  2. Kulik S. D., Protopopova J. Genetic Algorithm and Software Tools for Solving Optimization Problems in Intelligent Robotics // Advanced Technologies in Robotics and Intelligent Systems. 2020. P. 171–178.
  3. Kulik S.D., Shtanko A.N. Experiments with Neural Net Object Detection System YOLO on Small Training Datasets for Intelligent Robotics // Advanced Technologies in Robotics and Intelligent Systems. 2020. P. 157–162.
  4. Artamonov A.A., Kirichenko A.V., Tretyakov E.S., Ionkina K.V., Lopatina E.O., Cherkasskiy A.I. Agent-based search in social networks // International Journal of Civil Engineering and Technology. 2018. V. 9(13). P. 28–35.
  5. Оныкий Б.Н., Соколина К.А. Концептуальные вопросы проектирования мультиагентных информационно-аналитических систем для поиска и обработки научно-технической информации // Системы высокой доступности. 2017. Т. 13. № 1. С. 40–51.
  6. Артамонов А.А., Леонов Д.В., Оныкий Б.Н., Проничева Л.В. Мультиагентная информационно-аналитическая система по естественно-научным и технологическим направлениям // Системы высокой доступности. 2014. Т. 10. № 2.
Дата поступления: 27 февраля 2020 г