Проаналізовано загальну архітектуру системи соціалізації груп користувачів за подібними інтересами та функціональні вимоги до неї. Для опрацювання великої частини інформації систему реалізовано із використанням методів нечіткого пошуку текстової інформації та машинного навчання. Зокрема, застосовано алгоритми N-грам, розширення вибірки та структурованої моделі Noisy Channel. Особливістю інтелектуальної системи є опрацювання тексту, аналіз слів у тексті та формування оцінок. Реалізація згорткової нейронної мережі призначена для визначення справжності користувачів на основі аналізу фотографій із обличчям. Використання алгоритмів нечіткого пошуку дає змогу виконувати опрацювання текстових даних різних обсягів для аналізу інформації про кожного користувача, формування певного рейтингу користувача, порівняння цього користувача з іншими користувачами для спрощення подальшої соціалізації користувачів, інтереси яких збігаються найбільше. Під час експериментальної апробації порівняно точність функціонування розробленої інтелектуальної системи через визначення відсотка подібності поточних користувачів за допомогою алгоритмів N-грам та їх поєднання. Одночасне виконання цих алгоритмів є приблизно на 15 % ефективнішим і точнішим від алгоритму N-грам і на 10 % від інших відомих алгоритмів. Проаналізовано також роботу алгоритму лінійного пошуку тегів у словнику та алгоритму Noisy Channel із використанням BK-дерева. Завдяки цьому вдалося досягти значної переваги в роботі алгоритму, оскільки замість лінійної залежності часу пошуку отримано логарифмічну залежність. Також порівняно роботу синхронних та асинхронних методів системи. На початку роботи відмінність не дуже відчутна, але у міру зростання кількості запитів система навантажується і відмінності стають відчутнішими.
- Chu S. C. (2016). Using a consumer socialization framework to understand electronic word-of-mouth (eWOM) group membership among brand followers on Twitter. Electronic Commerce Research and Applications, No. 14 (4), 251–260.
- De-Gregorio F., Sung Y. (2010). Understanding attitudes toward and behaviors in response to product placement. Journal of Advertising, No. 39 (1), 83–96. DOI: http://doi.org/10.2753/JOA0091-3367390106.
- Elaheebocus S. M., Weal M., Morrison L. (2018). Peer-based social media features in behavior change interventions: Systematic review. Journal of Medical Internet Research, No. 20 (2), 1–20. DOI: http://doi.org/10.2196/jmir.8342.
- Ferrara E., Interdonato R., Tagarelli A. (2014). Online popularity and topical interests through the lens of Instagram. Hypertext and Social Media, No. 2, 24–23. DOI: http://doi.org/10.1145/2631775.2631808.
- Geurin-Eagleman A. N. (2015). Communicating via photographs: A gendered analysis of Olympic athletes’ visual self-presentation on Instagram. Sport Management Review, No. 19 (2), 133–145. DOI: http://doi.org/10.1016/j.smr.2015.03.002.
- Hanna R., Rohm A., Crittenden V. L. (2011). We’re all connected: The power of the social media ecosystem.Business Horizons, No. 54 (3), 265–273. DOI: http://doi.org/10.1016/j.bushor.2011.01.007.
- Salganik M. (2019). Social Research in the Digital Age. Journal of Interactive Marketing, No. 2 (9), 345–358.
- Guidry J. D., Messner M., Jin Y. (2015). From McDonalds fail to Dominos sucks: An analysis of Instagram images about the 10 largest fast food companies. Corporate Communications: An International Journal, No. 20 (3), 344–359.
- Kim E. (2014). Brand followers’ retweeting behaviour on Twitter: How brand relationship influence brand electronic word-of-mouth. Computers in Human Behavior, No. 38 (8), 18–25.
- Kudeshia C., Sikdar P., Mittal A. (2016). Spreading love through fan page liking: A perspective on small scale entrepreneurs. Computers in Human Behavior, No. 8 (19), 257–270. DOI: http://doi.org/10.1016/j.chb.2015.08.003.
- Lueg J. E. (2007). Interpersonal communication in the consumer socialization process: Scale development and validation. Journal of Marketing Theory and Practice, No. 15 (1), 25–39. DOI: http://doi.org/10.2753/MTP1069- 6679150102.
- Mousavijad M. (2017). The effect of socialization factors on decision making of teenagers consumers in schools. Journal of School Administration, No. 5 (1), 217–234.
- Schnell R. (2015). Enhancing Surveys with Objective Measurements and Observer Ratings. Journal of Interactive Marketing, No. 44 (1), 288–302.
- Quan-Haase A., Sloan L. (2017). Introduction to the Handbook of Social Media Research Methods: Goals, Challenges and Innovations. The Sage Handbook of Social Media Research Methods, No. 10 (5), 606–859. DOI: http://doi.org/10.4135/9781473983847.n1
- Murphy S. T. (2001). Affect, cognition, and awareness: Affective priming with optimal and suboptimal stimulus exposures. Journal of Personality and Social Psychology, No. 8 (3), 723–739. DOI: http://doi.org/10.1037/0022-3514.64.5.723
- Ntale P. D. (2019). Word of mouth communication: A mediator of relationship marketing and customer loyalty. Cogent Business and Management, No. 6 (18), 3–36.
- Ozdemir A., Tozlu B., Şen E., Ateşoğlu A. 2016. Analyses of word-of-mouth communication and its effect on students’ university preferences. Procedia-Social and Behavioral Sciences, No. 8 (5), 22–35.
- Park J., Ciampaglia G. L., Ferrara F. (2016). Style in the age of Instagram: Predicting success within the fashion industry using social media. Proceedings of the 19th ACM Conference on Computer-Supported Cooperative Work & Social Computing, No. 22 (8), 64–72. DOI: http://doi.org/10.1145/2818048.2820065.
- Wang X., Yu C., Wei Y. (2012). Social media peer communication and impacts on purchase intentions: A consumer socialization framework. Journal of Interactive Marketing, No. 26 (4), 198–208.