У дослідженні проаналізовано якісні характеристики повідомлень у месенджері Telegram, використаних як вихідні дані для подальшого аналізу текстового контенту. Здійснено ретельний огляд параметрів цих повідомлень, таких як їх формат, розмір, наявність шумів та швидкодія. Основна мета статті – моделювання оптимального підходу до збереження великого обсягу даних перед важливим етапом аналізу тексту. Під час дослідження детально проаналізовано літературні джерела із цієї тематики. Розглянуто основні переваги та недоліки наявних алгоритмів переднього опрацювання даних, а також проблеми, пов’язані з чистотою даних і їх впливом на потенційні результати дослідження. У межах програмних експериментів оцінено вплив попереднього опрацювання даних на розмір збережених даних для подальшого використання, а також на швидкість генерації вхідних даних. Серед запропонованих методів виділено метод збереження очищених токенів у форматі рядка та метод збереження кодів слів у форматі рядка разом зі словником слово- код, використання яких дасть змогу забезпечити ефективний розподіл завдань системи аналізу текстів протягом періоду доби.
- Talakh, M. V. (2019). Part 7. Using text mining for the analysis of social networks. In Ushenko, Y., Ostapov, S. & Golub, S., (Eds.), Information technologies Part 1. Application in computer vision, recognition and intelligent monitoring systems Yuriy Ushenko, Serhiy Ostapov, Serhiy Golub (pp. 157–173). LAP LAMBERT Academic Publishing.
- Talakh, M. V., Holub, S. & Lazarenko Y. (n.d.). Intelligent monitoring of software test automation of Web sites. International Scientific and Practical Conference “Intellectual Systems and Information Technologies”, 46–51.
- Telegram (n. d.). Telegram APIs. Retrieved February 1, 2024, from https://core.telegram.org/api
- Chai, C. (2023). Comparison of text preprocessing methods. Natural Language Engineering, 29(3),509–553. https://doi.org/10.1017/S1351324922000213
- R-Project (n. d.). Unicode: Emoji, accents, and international text. Retrieved February 10, 2024, from https://cran.r-project.org/web/packages/utf8/vignettes/utf8.html
- Mohammad, F. (2018). Is preprocessing of text really worth your time for online comment classification? eprint arXiv, 1806(029908), 1–5. https://doi.org/10.48550/arXiv.1806.02908
- Camacho-Collados, J. (2018). On the Role of Text Preprocessing in Neural Network Architectures: An Evaluation Study on Text Categorization and Sentiment Analysis. eprint arXiv, 1707(01780), 1–4. https://doi.org/10.48550/arXiv.1707.01780
- Kumar, K., & Harish, B.S. (2017). Classification of Short Text Using Various Preprocessing Techniques: An Empirical Evaluation. Proceedings of the 5th ICACNI 2017, Vol. 3 (10.1007/978-981-10-8633- 5_3), 19–24. http://dx.doi.org/10.1007/978-981-10-8633-5_3
- Mediakov, O. (2024). Information Technology for Generating Lyrics for Song Extensions Based on Transformers. In Mediakov, O., Vysotska, V., Uhryn, D., Ushenko, Y. & Hu, C., (Eds.), International Journal of Modern Education and Computer Science (IJMECS), 16(1), 23–36.
- Lytvyn, V. (2018). Analysis of statistical methods for stable combinations determination of keywords identification. In Lytvyn, V., Vysotska, V., Uhryn, D., Hrendus, M. & Naum, O., (Eds.), Information technology: Eastern-European Journal of Enterprise Technologies, 2/2(92), 23–37.
- Lytvyn, V. (2017). Development of a method for determining the keywords in the slavic language texts based on the technology of web mining. In Lytvyn, V., Vysotska, V., Pukach, P., Brodyak, O. & Ugryn D. (Eds.), Information technology. Industry control systems: Eastern-European Journal of Enterprise Technologies, 2/2(86), 14–23.
- JupyterLab (n. d.). JupyterLab Documentation. Retrieved February 1, 2024, from https://jupyterlab.readthedocs.io/en/stable/index.html
- Python (n.d.). Our Documentation. Retrieved February 1, 2024, from https://www.python.org/doc/
- Mongo (2024). Mongo: The developer data platform. Retrieved February 1, 2024, fromhttps://www.mongodb.com/
- Parker, Z., Poe, S. & Vrbsky, S. (2013). Comparing nosql mongodb to an sql db. Proceedings of the 51st ACM Southeast Conference. https://dl.acm.org/doi/10.1145/2498328.2500047
- Li, Y. & Manoharan, S. (2013). A performance comparison of SQL and NoSQL databases. IEEE Pacific RIM Conference on Communications, Computers, and Signal Processing – Proceedings, 15–19. https://doi.org/10.1109/PACRIM.2013.6625441
- Prokipchuk, O. (2023). Intelligent Analysis of Ukrainian-language Tweets for Public Opinion Research based on NLP Methods and Machine Learning Technology. In Prokipchuk, O., Vysotska, V., Pukach, P., Lytvyn, V., Uhryn, D., Ushenko, Y. & Hu, Z., (Eds.), International Journal of Modern Education and Computer Science(IJMECS), 15(3), 70–93.
- Telethon (2024). Telethon`s Documentation. Retrieved February 1, 2024, fromhttps://docs.telethon.dev/en/stable/index.html