Технические науки

BUILDING GRAPH MODELS OF DEPTH ANALYSIS OF DATA OF CLOUD SERVICES SPECIALIZED IN WORKING WITH SOCIAL NETWORKS [ПОСТРОЕНИЕ ГРАФОВЫХ МОДЕЛЕЙ ГЛУБИННОГО АНАЛИЗА ДАННЫХ ОБЛАЧНЫХ СЕРВИСОВ, СПЕЦИАЛИЗИРУЮЩИХСЯ НА РАБОТЕ С СОЦИАЛЬНЫМИ СЕТЯМИ]

Makarov A.E., Varlamov A.A.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Makarov Anatoly Evgenievich - Solutions Architect,

 IBM,

MOSCOW;

Varlamov Aleksandr Aleksandrovich – Senior Solutions Architect,

LI9 INC,

NORTH CAROLINA, Raleigh, UNITED STATES OF AMERICA

Abstract: the features of the analysis methods of big data arrays generated by social networks' cloud services are considered. Classification of typical tasks for this class of hardware and software platforms by the generated data format and the analysis system development goals is proposed. In contrast, the urgency of the task of automatic keyword recognition is indicated. To solve this problem, within the framework of the study, a complex methodology for constructing graph models of deep analysis was proposed, which is based on calculating the term frequency, determining the centrality measure, and the position of the nodes in the network. As a result of this work, a technique for recognizing keywords with several attributes was developed.

Keywords: graph model, deep analysis, social network, multi-attribute keyword extraction, centrality measures.

Макаров А.Е., Варламов А.А.

Макаров Анатолий Евгеньевич - архитектор решений,

IBM,

г. Москва;

Варламов Александр Александрович – главный архитектор решений,

Li9 INC,

Северная Каролина, г. Райли, Соединенные Штаты Америки

Аннотация: рассмотрены особенности анализа больших массивов данных, которые генерируются в рамках работы облачных сервисов, специализирующихся на работе с социальными сетями. Предложена классификация задач, характерных для данного класса аппаратно-программных платформ в соответствии с форматом генерируемых данных, а также целей, которые преследует разработка системы анализа; при этом указана актуальность задачи автоматического распознавания ключевых слов. Для решения данной задачи в рамках исследования была предложена комплексная методология построения графовых моделей глубинного анализа, которая базируется на расчете частоты появления терминов, определении показателя центральности и положения узлов. В результате проведенной работы была разработана методика распознавания ключевых слов с несколькими атрибутами.

Ключевые слова: графовая модель, глубинный анализ, социальная сеть, распознавание ключевых слов с несколькими атрибутами, показатель центральности.

Список литературы / References

• Shabunina E. & Pasi G. (2018). A graph-based approach to ememes identification and tracking in Social Media streams. Knowledge-Based Systems, 139, 108-118. doi:10.1016/j.knosys.2017.10.013.
• Bordoloi M. & Biswas S.K. (2018). Keyword extraction from micro-blogs using collective weight. Social Network Analysis and Mining, 8 (1). doi:10.1007/s13278-018-0536-8
• Weiler A., Grossniklaus M. & Scholl M.H. (2016). Editorial: Survey and Experimental Analysis of Event Detection Techniques for Twitter. The Computer Journal. 60 (3), 329–346 doi:10.1093/comjnl/bxw056.
• Li Y., Li M. & Shen Y. (2016). A Multi-attribute Keyword Retrieval Mechanism for Encrypted Cloud Data. International Journal of Security and Its Applications, 10 (12), 335-346. doi:10.14257/ijsia.2016.10.12.27.
• Bondade A. R., Patil P. & Patle G. (2020). Attribute based Encryption for Improved Multi-Keyword Search in Information Network, 5th International Conference on Communication and Electronics Systems (ICCES). doi:10.1109/icces48766.2020.9138046.
• He X. & Meghanathan N. (2016). Alternatives to Betweenness Centrality: A Measure of Correlation Coefficient. Computer Science & Information Technology (CS & IT). doi:10.5121/csit.2016.61301.
• Nikolaev A.R., Giannini M., Meghanathan R.N. & Leeuwen C.V., Enhanced information processing at revisited fixation locations. doi:10.1101/660308.
• Benyahia O., Largeron C.: Centrality for graphs with numerical attributes. In: 2015 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM). Р 1348–1353. IEEE (2015).
• Richiardi J., Achard S., Bullmore E. & Ville D.V. (2011). Classifying Connectivity Graphs Using Graph and Vertex Attributes, 2011 International Workshop on Pattern Recognition in NeuroImaging. doi:10.1109/prni.2011.18.
• Hernández J.M., Van Mieghem P.: Classification of Graph Metrics, 2011. Р 1–20. Delft University of Technology. Mekelweg. The Netherlands.
• Yang Y., Xie G.: Efficient identification of node importance in social networks. Inf. Process. Manage, 2016. 52 (5), 911–922.
• Shi S., Chen K., Wang Y. & Luo R., Node Importance Analysis in Complex Networks Based on Hardware Computing. Journal of Electronics & Information Technology, 33 (10), 2536-2540. doi:10.3724/sp.j.1146.2011. 00363.
• Biswas S.K., Bordoloi M., Shreya J.: A graph based keyword extraction model using collective node weight, 2018. Expert Syst. Appl. 97, 51–59.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Макаров А.Е., Варламов А.А. ПОСТРОЕНИЕ ГРАФОВЫХ МОДЕЛЕЙ ГЛУБИННОГО АНАЛИЗА ДАННЫХ ОБЛАЧНЫХ СЕРВИСОВ, СПЕЦИАЛИЗИРУЮЩИХСЯ НА РАБОТЕ С СОЦИАЛЬНЫМИ СЕТЯМИ [BUILDING GRAPH MODELS OF DEPTH ANALYSIS OF DATA OF CLOUD SERVICES SPECIALIZED IN WORKING WITH SOCIAL NETWORKS] // LXXVI International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства:https://scientific-conference.com/grafik/grafik-2020-pervoe-polugodie.html  ( Boston. USA. - 23 December, 2020). с. {см. сборник}

 

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях

Tweet