СОВРЕМЕННЫЕ ПОДХОДЫ К ИЗУЧЕНИЮ ДИНАМИКИ ИНФОРМАЦИОННОГО ПОТОКА В СОЦИАЛЬНЫХ МЕДИА НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Abstract

Данная обзорная статья представляет современные подходы к анализу информационного потока в социальных медиа с применением глубокого машинного обучения. Особое внимание уделяется глубоким рекуррентным нейронным сетям, используемым для анализа эмоций и настроений с использованием искусственного интеллекта, а также методам понимания естественного языка. Кроме того, рассматриваются новые методы выявления фейковых новостей, основанные на анализе их распространения в социальных сетях. Для этой цели применяются сверточные нейронные сети (CNN), глубокие нейронные сети (DNN) и долговременная краткосрочная память (LSTM), что позволяет эффективно обнаруживать ложные новости. Обсуждаются результаты последних исследований в данной области и их значимость для современного информационного пространства в социальных медиа. В данном обзорном анализе рассматриваются основные подходы машинного обучения, которые базируются на анализе карты предметной области библиометрических данных. Проведенное исследование при помощи инструмента Bibliometrix для библиометрического анализа и научного картографирования, позволило охватить текущее состояние и основные направления развития в области машинного обучения. Обсуждаются ключевые тенденции исследований, выявленные в библиометрических данных, а также значимость и перспективы этих методов для дальнейшего прогресса в области машинного обучения. В итоговом анализе было обнаружено, что основное внимание исследователей в области современных подходов к изучению динамики информационного потока в социальных медиа, основанных на методах машинного обучения, сосредоточено на следующих направлениях: глубокое обучение, рекуррентные нейронные сети, анализ тональности текста, классификация и сверточные нейронные сети.