Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/52125| Назва: | Дослідження взаємодії користувачів із контентом у соціальних мережах із застосуванням методів NLP та поведінкової аналітики |
| Інші назви: | Analysis of User Interaction with Social Media Content Using NLP Methods and Behavioral Analytics |
| Автори: | Боднар, Денис Володимирович Bodnar, Denys |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Бібліографічне посилання: | Боднар Д. В. Дослідження взаємодії користувачів із контентом у соціальних мережах із застосуванням методів NLP та поведінкової аналітики : робота на здобуття кваліфікаційного ступеня магістр : спец. 122 - комп’ютерні науки / наук. кер. Г. І. Липак. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 88 с. |
| Дата публікації: | 27-тра-2026 |
| Дата подання: | 13-тра-2026 |
| Дата внесення: | 1-чер-2026 |
| Видавництво: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопіль |
| Науковий керівник: | Липак, Галина Ігорівна Lypak, Halyna |
| Члени комітету: | Микитишин, Андрій Григорович Mykytyshyn, Andrii |
| УДК: | 004.85 |
| Теми: | 122 комп’ютерні науки аналіз тональності графовий аналіз кластеризація машинне навчання нейронні мережі обробка природної мови поведінкова аналітика соціальні мережі behavioural analytics clustering graph analysis machine learning natural language processing neural networks sentiment analysis social media |
| Діапазон сторінок: | 88 |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена розробці методики аналізу взаємодії користувачів із контентом у соціальних мережах засобами NLP та поведінкової аналітики.
В першому розділі кваліфікаційної роботи описані теоретичні основи аналізу взаємодії користувачів у соціальних мережах. Висвітлено типи взаємодій із контентом та методи збору даних. Розглянуто основи обробки природної мови. Проаналізовано підходи до поведінкового аналізу користувачів.
В другому розділі кваліфікаційної роботи систематизовано методи аналізу тональності контенту. Досліджено методи кластеризації та тематичного моделювання. Подано порівняльний аналіз методів NLP та поведінкової аналітики.
В третьому розділі кваліфікаційної роботи описано дослідницький конвеєр для аналізу взаємодій користувачів. Проаналізовано результати інтеграції аналізу тональності, кластеризації та графового аналізу. Проведено апробацію на наборі даних чотирьох платформ. Об'єкт дослідження: процеси взаємодії користувачів із контентом у соціальних мережах. This thesis is devoted to the development of a methodology for analysing user interaction with content on social media using NLP and behavioural analytics. The first chapter of the thesis describes the theoretical foundations of analysing user interaction on social media. It outlines the types of interaction with content and data collection methods. The fundamentals of natural language processing are examined. Approaches to behavioural analysis of users are analysed. The second chapter of the thesis systematises methods for analysing the sentiment of content. Methods of clustering and thematic modelling are investigated. A comparative analysis of NLP and behavioural analytics methods is presented. The third chapter of the thesis describes a research pipeline for analysing user interactions. The results of integrating sentiment analysis, clustering and graph analysis are analysed. Testing was carried out on a dataset from four platforms. Research object: processes of user interaction with content on social networks. |
| Опис: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 27.05.2026р. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюя |
| Зміст: | Вступ 9 розділ 1. Теоретичні основи аналізу взаємодії користувачів у соціальних мережах 11 1.1. Соціальні мережі як джерело даних 11 1.2. Типи користувацьких взаємодій із контентом 13 1.3. Методи збору та обробки даних 18 1.4. Основи обробки природної мови 19 1.5. Поведінковий аналіз користувачів 22 1.6. Висновки до розділу 25 РОЗДІЛ 2. МЕТОДИ ТА ІНСТРУМЕНТИ АНАЛІЗУ ВЗАЄМОДІЙ КОРИСТУВАЧІВ 27 2.1. Аналіз тональності та емоційного забарвлення контенту 27 2.2. Кластеризація та тематичний аналіз 28 2.3. Графові моделі та аналіз соціальних взаємодій 34 2.4. Порівняльний аналіз методів NLP та поведінкової аналітики 39 2.4.1. Фундаментальні основи та можливості методів NLP 41 2.4.2. Методологія та інструментарій поведінкової аналітики 42 2.4.3. Порівняльна характеристика та обмеження ізольованих підходів 44 2.5. Інструменти та бібліотеки для аналітики 46 2.6. Висновки до розділу 48 розділ 3. ДОСЛІДЖЕННЯ ТА ПОРІВНЯННЯ МЕТОДІВ АНАЛІЗУ ВЗАЄМОДІЇ КОРИСТУВАЧІВ У СОЦІАЛЬНИХ МЕРЕЖАХ 48 3.1. Опис об’єкта та джерел даних 48 3.2. Методика проведення дослідження 52 3.2.1. Попередня обробка текстових даних 53 3.2.2. Методи класифікації тональності 53 3.2.3. Поведінкова кластеризація та графовий аналіз 56 3.3. Програмна реалізація 56 3.4. Результати аналізу тональності повідомлень 61 3.5. Поведінкова кластеризація користувачів 63 3.6. Аналіз соціальних графів та структурних патернів 65 3.7. Взаємозв'язок між тональністю та залученістю аудиторії 68 3.8. Аналіз часових патернів та платформенні відмінності 69 3.9. Перехресний аналіз результатів 70 3.10. Висновки до розділу 75 розділ 4. Охорона праці та безпека в надзвичайних ситуаціях 77 4.1. Вимоги ергономіки до організації робочого місця оператора ПК 77 4.2. Пожежна профілактика на робочому місці 78 4.3. Висновок до четвертого розділу 79 Висновки 80 Перелік джерел 83 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/52125 |
| ISBN: | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Власник авторського права: | © Боднар Денис Володимирович, 2026 |
| Перелік літератури: | 1. Соціальні мережі, які диктують ритм новин: дослідження ІМІ [Електронний ресурс] – Режим доступу до ресурсу: https://imi.org.ua/monitorings/sotsialni-merezhi-yaki-dyktuyut-rytm-novyn-doslidzhennya-imi-i65389 2. Duda, O., Pasichnyk, V., Lypak, H., Matsiuk, O., Mudrokha, V. Formation of integrated repositories of social and communication data by consolidating the resources of museums, libraries and archives in smart cities projects. CEUR Workshop Proceedings, 2021, 2870, pp. 1420–1430. 3. Контент: що це, види та типи контенту, стратегія створення [Електронний ресурс] – Режим доступу до ресурсу: https://ukrainiandigital.com/kontent-shcho-tse-vydy-ta-tyпу-kontentu-stratehiia-storennia/ 4. Основні види контенту та правила оформлення залежно від виду [Електронний ресурс] – Режим доступу до ресурсу: https://netpeak.net/uk/blog/osnovni-vidi-kontentu-ta-pravila-oformlennya-zalezhno-vid-vidu/ 5. Lypak, H., Kunanets, N., Veretennikova, N., Matsiuk, H., Kramar, T., & Duda, O. An Information System Project Using Augmented Reality for a Small Local History Museum. IEEE CSIT 2023, pp. 1–4. DOI: 10.1109/CSIT61576.2023.10324194 6. Data collection process [Електронний ресурс] – Режим доступу до ресурсу: https://www.sciencedirect.com/topics/computer-science/data-collection-process 7. Vaswani A. Attention Is All You Need / A. Vaswani, N. Shazeer, N. Parmar et al. // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – Vol. 30. – P. 5998–6008. 8. Apache Kafka: Design and protocols for stream processing [Електронний ресурс] – Режим доступу до ресурсу: https://kafka.apache.org/ 9. Data Transfer Protocols in High-Load Systems [Електронний ресурс] – Режим доступу до ресурсу: https://aws.amazon.com/ 10. Pennacchiotti M. A Machine Learning Approach to Twitter User Classification / M. Pennacchiotti, A.-M. Popescu // Proceedings of the Fifth International AAAI Conference on Weblogs and Social Media (ICWSM). – 2011. – P. 281–288. 11. Що таке Natural Language Processing? [Електронний ресурс] – Режим доступу до ресурсу: https://www.sap.com/ukraine/resources/what-is-natural-language-processing.html 12. Інновації та NLP [Електронний ресурс] – Режим доступу до ресурсу: https://metinvest.digital/ua/page/1052 13. Миськів С. Р., Липак Г. І. Роль великих даних у формуванні інформаційних потоків у «розумних містах». Матеріали XVIII Всеукраїнської науково-практичної WEB конференції. Кривий Ріг: КНУ, 2025. С. 364–367. 14. UX-дизайн в цифровому маркетингу [Електронний ресурс] – Режим доступу до ресурсу: https://inpost.pl/ua/novyny-ux-dyzayn-v-tsyfrovomu-marketynhu 15. Mikolov T. Efficient Estimation of Word Representations in Vector Space / T. Mikolov, K. Chen, G. Corrado, J. Dean // Proceedings of ICLR 2013 Workshop. – 2013 [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/1301.3781 16. Що таке поведінковий аналіз користувачів і як його застосовувати [Електронний ресурс] – Режим доступу до ресурсу: https://blog.dropplatforma.com.ua/veb-analitika/shho-take-povedinkovyj-analiz-korystuvachiv-i-yak-jogo-zastosovuvaty/ 17. Liu B. Sentiment Analysis and Opinion Mining / B. Liu // Synthesis Lectures on Human Language Technologies. – Morgan & Claypool Publishers, 2012. – Vol. 5, No. 1. – P. 1-167. 18. Tubishat M. Implicit aspect extraction in sentiment analysis: Review, taxonomy, datasets, and future directions / M. Tubishat, N. Idris, M. A. M. Abushariah // Engineering Applications of Artificial Intelligence. – 2018. – Vol. 72. – P. 54-71. 19. Hussein D. M. E.-D. M. A survey on sentiment analysis challenges / D. M. E.-D. M. Hussein // Journal of King Saud University - Engineering Sciences. – 2018. – Vol. 30, No. 4. – P. 330-338. 20. Taboada M. Lexicon-based methods for sentiment analysis / M. Taboada et al. // Computational Linguistics. – 2011. – Vol. 37, No. 2. – P. 267–307. 21. Pang B. Thumbs up?: sentiment classification using machine learning techniques / B. Pang, L. Lee, S. Vaithyanathan // Proceedings of the ACL-02 conference on Empirical methods in natural language processing (EMNLP). – 2002. – P. 79–86. 22. Devlin J. BERT: Pre-training of deep bidirectional transformers for language understanding / J. Devlin, M. W. Chang, K. Lee, K. Toutanova // Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL). – 2019. – P. 4171–4186. 23. Plutchik R. A general psychoevolutionary theory of emotion / R. Plutchik // Emotion: Theory, research, and experience. – 1980. – Vol. 1. – P. 3–33. 24. Clustering overview and algorithms [Електронний ресурс] – Режим доступу до ресурсу: https://scikit-learn.org/stable/modules/clustering.html 25. Visualizing DBSCAN Clustering [Електронний ресурс] – Режим доступу до ресурсу: https://www.naftaliharris.com/blog/visualizing-dbscan-clustering/ 26. Clustering Algorithms With Python [Електронний ресурс] – Режим доступу до ресурсу: https://machinelearningmastery.com/clustering-algorithms-with-python/ 27. Кластерний аналіз: визначення та застосування [Електронний ресурс] – Режим доступу до ресурсу: https://mindthegraph.com/blog/uk/кластерний-аналіз/ 28. Zhang T. BIRCH: an efficient data clustering method for very large databases / T. Zhang, R. Ramakrishnan, M. Livny // ACM SIGMOD Record. – 1996. – Vol. 25, No. 2. – P. 103-114. 29. Easley D. Networks, Crowds, and Markets: Reasoning about a Highly Connected World / D. Easley, J. Kleinberg. – Cambridge University Press, 2010. 30. Rizoiu M.-A. A tutorial on Hawkes processes for events in social media / M.-A. Rizoiu, Y. Lee, S. Mishra, L. Xie // Frontiers in Applied Mathematics and Statistics. – 2017. – Vol. 3. [Електронний ресурс] – Режим доступу: https://arxiv.org/abs/1708.06401 31. Barabasi A.-L. Network Science / A.-L. Barabasi. – Cambridge University Press, 2016. – 475 p. [Електронний ресурс] – Режим доступу: http://networksciencebook.com/ 32. Blondel V. D. Fast unfolding of communities in large networks / V. D. Blondel, J.-L. Guillaume, R. Lambiotte, E. Lefebvre // Journal of Statistical Mechanics: Theory and Experiment. – 2008. – Vol. 2008, No. 10. 33. Pons P. Computing communities in large networks using random walks / P. Pons, M. Latapy // J. Graph Algorithms Appl. – 2006. – Vol. 10, No. 2. – P. 191-218. 34. Кліщ, М., Липак, Г., Кунанець, Н., Пасічник, С., & Липак, Т. Структура інформаційної системи передбачення та інтерпретації зміни стану користувача сервісу. Вісник НУ «Львівська Політехніка». Інформаційні системи та мережі, 17 (2025). С. 226–238. https://doi.org/10.23939/sisn2025.17.226 35. Liben-Nowell D. The link-prediction problem for social networks / D. Liben-Nowell, J. Kleinberg // Journal of the American Society for Information Science and Technology. – 2007. – Vol. 58, No. 7. – P. 1019-1031. 36. Scikit-learn: Machine Learning in Python [Електронний ресурс] – Режим доступу до ресурсу: https://scikit-learn.org/stable/ 37. Matplotlib: Visualization with Python [Електронний ресурс] – Режим доступу до ресурсу: https://matplotlib.org/ 38. Shi W. Edge Computing: Vision and Challenges / W. Shi, J. Cao, Q. Zhang, Y. Li, L. Xu // IEEE Internet of Things Journal. – 2016. – Vol. 3, No. 5. – P. 637-646. 39. FinBERT: Financial Sentiment Analysis with Pre-trained Language Models [Електронний ресурс] – Режим доступу до ресурсу: https://arxiv.org/abs/1908.10063 40. Graph Neural Networks: A Review of Methods and Applications [Електронний ресурс] – Режим доступу до ресурсу: https://arxiv.org/abs/1812.08434 41. Jaccard Coefficient for link prediction [Електронний ресурс] – Режим доступу до ресурсу: https://towardsdatascience.com/link-prediction-in-social-networks-380d39971922 42. pandas: Python Data Analysis Library [Електронний ресурс] – Режим доступу до ресурсу: https://pandas.pydata.org/docs/ 43. Harris C. R. Array programming with NumPy / C. R. Harris, K. J. Millman, S. J. van der Walt et al. // Nature. – 2020. – Vol. 585. – P. 357–362. 44. Pedregosa F. Scikit-learn: Machine Learning in Python / F. Pedregosa, G. Varoquaux, A. Gramfort et al. // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830. 45. NetworkX: Network Analysis in Python [Електронний ресурс] – Режим доступу до ресурсу: https://networkx.org/documentation/stable/ 46. Hunter J. D. Matplotlib: A 2D graphics environment / J. D. Hunter // Computing in Science & Engineering. – 2007. – Vol. 9, No. 3. – P. 90–95. 47. Закон України «Про охорону праці» від 14.10.1992 № 2694-XII. 48. Наказ Міністерства соціальної політики України від 14.02.2018 № 207. Мінімальні вимоги щодо безпеки та захисту здоров’я працівників під час роботи з екранними пристроями. 49. ДБН В.2.5-28:2018. Природне і штучне освітлення. – К.: Мінрегіонбуд України, 2018. 50. ДСН 3.3.6.042-99. Санітарні норми мікроклімату виробничих приміщень. 51. Наказ Міністерства енергетики та вугільної промисловості України від 13.02.2012 № 91. Правила технічної експлуатації електроустановок споживачів. 52. Наказ Держнаглядохоронпраці від 09.01.1998 № 4. Правила безпечної експлуатації електроустановок споживачів (ПБЕЕС). 53. Наказ Міністерства внутрішніх справ України від 30.12.2014 № 1417. Правила пожежної безпеки в Україні. 54. Кодекс цивільного захисту України. Закон України від 02.10.2012 № 5403-VI. 55. Постанова Кабінету Міністрів України від 26.06.2013 № 444. Порядок здійснення навчання населення діям у надзвичайних ситуаціях. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки, F3 Комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2026_KRM_SNnm-61_Bodnar_DV.pdf | Дипломна робота | 4,16 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора