Анализ популярности блогера у его целевой аудитории в социальных сетях

Представлена разработка математической модели комплаентности аудитории.
Описан новый подход для определения степени воздействия блогера на целевую аудиторию.
Проведён прогноз деятельности блогеров с использованием нечёткой логики и нейронной сети.

РЕФЕРАТ ………………………………………………………………………………………. 11

1 ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ………………………………………………………. 16

1.1 Выбор программных компонентов ………………………………………….. 16

1.2 Разведочный анализ данных …………………………………………………… 18

1.2.2 Параметры с низкой дисперсией……………………………………….. 19

1.2.3 Корреляция параметров ……………………………………………………. 20

1.2.4 Определение значимости параметров ……………………………….. 20

1.3 Разложение на главные компоненты ……………………………………….. 21

1.4 Подготовка данных ………………………………………………………………… 22

1.5 Нейронные сети …………………………………………………………………….. 24

1.5.1 Функции активации …………………………………………………………. 26

1.6 Аналитический обзор социальных сетей …………………………………. 27

1.6.1 Аудитории социальных сетей ………………………………………………. 29

1.7 Аналитический обзор инструментов сегментации аудитории ……. 33

1.8 Оценка влияния блогера на аудиторию ……………………………………. 35

2 АНАЛИЗ ДАННЫХ …………………………………………………………………….. 37

2.1 Предобработка ………………………………………………………………………. 37

2.2 Оценка комплаентности аудитории…………………………………………. 39

3 ФОРМИРОВАНИЕ МОДЕЛЕЙ И РЕЗУЛЬТАТ РАБОТЫ ……………… 41

3.1 Нейронная сеть ……………………………………………………………………… 41

3.2 Нечёткая логика …………………………………………………………………….. 45

4 ФИНАНСОВЫЙ МЕНЕДЖМЕНТ,РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ ………………………………………………………………………….. 48

5 СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ ………………………………………… 66

ЗАКЛЮЧЕНИЕ ……………………………………………………………………………… 86
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ……………………………. 87

В результате выполнения выпускной квалификационной работы была
спроектирована и реализована программа, способная для определения
комплектности аудитории блогера.
Проведен анализ предметной области, технологии предобработки и
формирования моделей, основные подходы к проектированию регрессионных
моделей.
Были проанализированы входные данные, произведена предобработка
данных путем нахождения пропущенных значений,
На основании предобработанной информации были обучена Нейронная
сеть.
Для определения параметра комплаетности аудитории была обучена
модель с нечёткой логикой.
Результаты работы могут быть использованы в качестве основы для
дальнейшего анализа комплаентности аудитории, персонализации рекламы.

Также хочется заметить, что определение комплаетности аудитории
блогера принципиально важна для эффективности рекламы и влияния блогера на
аудиторию!

1.Epsilonresearchonservices[Электронныйресурс]URL:
https://us.epsilon.com/pressroom/new-epsilon-research-indicates-80-of-consumers-
are-more-likely-to-make-a-purchase-when-brands-offer-personalized-experiences
свободный – Яз. англ. Дата обращения 02. 03.2019г.
2. Дюк Вячеслав Анатольевич, Флегонтов Александр Владимирович,
Фомина Инга Константиновна Применение технологий интеллектуального
анализа данных в естественнонаучных, технических и гуманитарных областях //
ИзвестияРГПУим.А.И.Герцена.2011.№138.URL:
https://cyberleninka.ru/article/n/primenenie-tehnologiy-intellektualnogo-analiza-
dannyh-v-estestvennonauchnyh-tehnicheskih-i-gumanitarnyh-oblastyah(дата
обращения:25.05.2019).
3. Aurelien Geron. Hands-On Machine Learning with Sklearn and Tensorflow.
– O’Reilly, 2015: – 751p.
4. Чокой Владимир Захарьевич Обработка и разведочный анализ
числовых массивов данных // Crede Experto: транспорт, общество, образование,
язык. 2017. №3. URL: https://cyberleninka.ru/article/n/obrabotka-i-razvedochnyy-
analiz-chislovyh-massivov-dannyh (дата обращения: 21.03.2019).
5. Н. В. Решетникова, Л. А. Жуков Особенности использования
предобработки данных для изучения динамики их изменения с помощью
нейросетейсучителем//Новыеинформационныетехнологиив
автоматизированныхсистемах.2005.№8.URL:
https://cyberleninka.ru/article/n/osobennosti-ispolzovaniya-predobrabotki-dannyh-
dlya-izucheniya-dinamiki-ih-izmeneniya-s-pomoschyu-neyrosetey-s-uchitelem (дата
обращения:15.03.2019).
6. Bharath Ramsundar. Tensorflow for Deep Learning. – O’Reilly, 2015: –
253p.
7. Хашковский Валерий Валерьевич, Шкурко Алексей Николаевич
Современные подходы в организации систем обработки больших объемов
данных//ИзвестияЮФУ.Техническиенауки.2014.№8.URL:
https://cyberleninka.ru/article/n/sovremennye-podhody-v-organizatsii-sistem-
obrabotki-bolshih-obemov-dannyh (дата обращения: 17.03.2019).
8. Агафонов Антон Александрович, Мясников Владислав Валерьевич
Оценка и прогнозирование параметров транспортных потоков с использованием
композиции методов машинного обучения и моделей прогнозирования
временныхрядов//КО.2014.№3.URL:
https://books.google.ru/books?hl=en&lr=&id=sm39DQAAQBAJ&oi=fnd&pg=PA11
&dq=%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%
B5+%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5
&ots=lmOKvoxKbA&sig=syblyAoh40RP8zbP-dTCZM-
kAmk&redir_esc=y#v=onepage&q=%D0%BC%D0%B0%D1%88%D0%B8%D0%
BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0
%B5%D0%BD%D0%B8%D0%B5&f=false (дата обращения: 25.05.2019).
9. Базенков Николай Ильич, Губанов Дмитрий Алексеевич Обзор
информационных систем анализа социальных сетей // УБС. 2013. №41. URL:
https://cyberleninka.ru/article/n/obzor-informatsionnyh-sistem-analiza-sotsialnyh-
setey (дата обращения: 01.04.2019).
10. Sebastian Rashka. Python for Machine Learning. – Packt, 2011: – 253p.
11. Jerome H. Friedman, Robert Tibshirani, and Trevor Hastie. The elements
of statistical Learning. – Packt, 2011: – 548p.
12. Christopher Bishop. Pattern Recognition and Machine Learning. – Packt,
2011: – 1148p.
13. Симонова Сабина Игоревна Интеллектуальный анализ данных для
задач CRM // International Journal of Open Information Technologies. 2015. №2.
URL: https://cyberleninka.ru/article/n/intellektualnyy-analiz-dannyh-dlya-zadach-crm
(дата обращения: 04.04.2019).
14. Филатова Татьяна Владимировна Применение нейронных сетей для
аппроксимации данных // Вестн. Том. гос. ун-та. 2004. №284. URL:
https://cyberleninka.ru/article/n/primenenie-neyronnyh-setey-dlya-approksimatsii-
dannyh (дата обращения: 04.04.2019).
15. Корнеев Д. С. Использование аппарата нейронных сетей для создания
модели оценки и управления рисками предприятия // УБС. 2007. №17. URL:
https://cyberleninka.ru/article/n/ispolzovanie-apparata-neyronnyh-setey-dlya-
sozdaniya-modeli-otsenki-i-upravleniya-riskami-predpriyatiya(датаобращения:
04.04.2019).
16. François Chollet. Deep Learning with Python. – Packt, 2011: – 547р.
17. Архангельская Екатерина Владиславовна , Кадурин А. , Николенко
Сергей Игоревич «Глубокое обучение. Погружение в мир нейронных сетей»,
Библиотека программиста. – 480 стр.
18. Adam Gibson and Josh Patterson. Deep Learning: A Practitioner’s
Approach– O’reilly, 2012: – 523p.
19. Dan Van Boxel. Hands-On Deep Learning with TensorFlow– Packt, 2014:
– 174p.
20. Amita Kapoor and Antonio Gulli. TensorFlow 1.x Deep Learning
Cookbook: Over 90 Unique Recipes to Solve Artificial-intelligence Driven Problems
with Python – Packt, 2009: – 526p.
21. Игнатьев Н. А. О синтезе факторов в искусственных нейронных сетях
// ЖВТ. 2005. №3. URL: https://cyberleninka.ru/article/n/o-sinteze-faktorov-v-
iskusstvennyh-neyronnyh-setyah (дата обращения: 09.04.2019).
22. Antonio Gulli and Sujit Pal. Deep Learning with Keras– Packt, 2015: – 301.
23. Ahmed Menshawy, Giancarlo Zaccone, and Md. Rezaul Karim. Deep
Learning with TensorFlowv– Packt, 2015: – 316p.
24. Дружков Павел Николаевич, Золотых Николай Юрьевич, Половинкин
Алексей Николаевич Программная реализация алгоритма градиентного бустинга
деревьеврешений//ВестникННГУ.2011.№1.URL:
https://cyberleninka.ru/article/n/programmnaya-realizatsiya-algoritma-gradientnogo-
bustinga-dereviev-resheniy (дата обращения: 01.05.2019).
25. Никулин В. Н., Палешева С. А., Зубарева Д. С. Об однородных
ансамблях при использовании метода бустинга в приложении к классификации
несбалансированных данных // Вестник ПГУ. Серия: Экономика. 2012. №4. URL:
https://cyberleninka.ru/article/n/ob-odnorodnyh-ansamblyah-pri-ispolzovanii-metoda-
bustinga-v-prilozhenii-k-klassifikatsii-nesbalansirovannyh-dannyh (дата обращения:
01.05.2019).
26. Охранатруда[Электронныйресурс]/Безопасность
жизнедеятельности.URL:http://www.grandars.ru/shkola/bezopasnost-
zhiznedeyatelnosti/ohrana-truda.html, свободный. Яз. Рус. Дата обращения:
16.05.2019.
27. СанПиН2.2.2/2.4.1340-03Гигиеническиетребованияк
персональным электронно-вычислительным машинам и организации работы. Яз.
Рус. Дата обращения: 16.05.2019.
28.СанПиН 2.2.4.548-96 Гигиенические требования к микроклимату
производственных помещений. Яз. Рус. Дата обращения: 16.05.2019.
29. ГОСТ12.1.038–82Системастандартовбезопасноститруда.
Электробезопасность.Предельнодопустимыезначениянапряжений
прикосновения и токов. Яз. Рус. Дата обращения: 16.05.2019.
30. Федеральный закон от 22.07.2008 N 123-ФЗ (ред. От 13.07.2015)
«Технический регламент о требованиях пожарной безопасности» [Электронный
ресурс]/КонсультантПлюс.URL:
http://www.consultant.ru/document/cons_doc_LAW_78699/, свободный. Яз. Рус.
Дата обращения: 16.05.2019.
31. Ефремова О. С. Требования охраны труда при работе на
персональных электронно-вычислительных машинах. – 2-е изд., перераб. и доп.
– М. : Издательство «Альфа-Пресс», 2008. Яз. Рус. Дата обращения: 16.05.2019.
32. Назаренко О. Б. Безопасность жизнедеятельности: учебное пособие
/ О. Б. Назаренко, Ю. А. Амелькович; Томский политехнический университет. –
3-е изд., перераб. и доп. – Томск: Изд-во Томского политехнического
университета, 2013. Яз. Рус. Дата обращения: 16.05.2019.
33. ГОСТ Р 55090-2012 Ресурсосбережение. Обращение с отходами.
Рекомендации по утилизации отходов бумаги. Яз. Рус. Дата обращения:
16.05.2019.
34. НПБ 105-03 Определение категорий помещений, зданий и наружных
установок по взрывопожарной и пожарной опасности [Электронный ресурс] /
Электронный фонд правовой и нормативно-технической документации. URL:
http://docs.cntd.ru/document/1200032102, свободный. Яз. Рус. Дата обращения:
16.05.2019.