آمار

تعداد نشریات36
تعداد شماره‌ها1,175
تعداد مقالات8,470
تعداد مشاهده مقاله6,451,273
تعداد دریافت فایل اصل مقاله3,688,323
عباسی, رسول, جواد زاده, محمد علی. (1401). پیش‌بینی ناآرامی‌های مردمی با استفاده از شبکه‌های اجتماعی، مبتنی بر یادگیری ماشین در پردازش زبان طبیعی. پدافند الکترونیکی و سایبری, 13(3), 45-56.
رسول عباسی; محمد علی جواد زاده. "پیش‌بینی ناآرامی‌های مردمی با استفاده از شبکه‌های اجتماعی، مبتنی بر یادگیری ماشین در پردازش زبان طبیعی". پدافند الکترونیکی و سایبری, 13, 3, 1401, 45-56.
عباسی, رسول, جواد زاده, محمد علی. (1401). 'پیش‌بینی ناآرامی‌های مردمی با استفاده از شبکه‌های اجتماعی، مبتنی بر یادگیری ماشین در پردازش زبان طبیعی', پدافند الکترونیکی و سایبری, 13(3), pp. 45-56.
عباسی, رسول, جواد زاده, محمد علی. پیش‌بینی ناآرامی‌های مردمی با استفاده از شبکه‌های اجتماعی، مبتنی بر یادگیری ماشین در پردازش زبان طبیعی. پدافند الکترونیکی و سایبری, 1401; 13(3): 45-56.

پیش‌بینی ناآرامی‌های مردمی با استفاده از شبکه‌های اجتماعی، مبتنی بر یادگیری ماشین در پردازش زبان طبیعی

پدافند غیرعامل
دوره 13، شماره 3 - شماره پیاپی 51، آذر 1401، صفحه 45-56    اصل مقاله (1.08 M)
نوع مقاله: ترویجی
نویسندگان
رسول عباسی1؛ محمد علی جواد زاده* 2
1دانشجوی کارشناسی ارشد دانشگاه جامع امام حسین(ع)، تهران ، ایران
2استادیار دانشگاه جامع امام حسین(ع)، تهران، ایران
تاریخ دریافت: 24 مرداد 1400،  تاریخ بازنگری: 31 فروردین 1401،  تاریخ پذیرش: 09 مرداد 1401 
چکیده
امروزه علاقه به پیش‌بینی و تشخیص رویدادها با استفاده از داده‌های موجود در شبکه‌های اجتماعی، افزایش یافته است. شبکه‌های اجتماعی را می‌توان به‌عنوان حسگرهای جامعه نام برد، چرا که کاربران آن همواره نظرات مثبت و منفی خود را نسبت به اتفاقات دنیای پیرامون خود بیان می‌کنند که نتیجه این تعاملات، محیطی است مملو از واکنش‌های بلادرنگ به حوادث دنیای واقعی. شبکه‌های اجتماعی یکی از بهترین ابزارها برای ارزیابی جامعه و پیش‌بینی حوادث آن است. اگر چه تشخیص و دسته‌بندی خودکار حوادث و رویدادها، به ویژه ناهنجاری‌های اجتماعی مانند اغتشاش یک کار پیش‌پاافتاده است اما برای دولت‌ها و سازمان‌های امنیتی که نیاز به پاسخگویی سریع و متناسب دارند، از ارزش بالایی برخوردار است؛ زیرا می‌توان هزینه‌ها و خسارات ناشی از این ناآرامی‌ها را کاهش داد. برای این چالش، ما یک چارچوب پیش‌بینی رویداد طراحی کردیم که به کمک آن می‌توان "رویدادهای اخلال‌گر" که امنیت و نظم اجتماعی را تهدید می‌کنند از رویدادهای روزمره شناسایی کرد. برای انجام این کار از روش‌های پردازش زبان طبیعی به‌منظور درک متون، حذف محدودیت‌های زبان انسان، تحلیل احساس و موضوع استفاده کردیم، و درنهایت با استفاده از روش‌های یادگیری ماشین مانند Naïve Bayes و Support Vector Machines به طبقه‌بندی حوادث و رویدادها پرداختیم. در پایان چارچوب خود را در یک مجموعه داده بزرگ و واقعی از توییتر ارزیابی کردیم تا کارایی و اثربخشی سامانه خود را برای پیش‌بینی رویدادهای آینده نشان دهیم. نتایج به‌دست آمده نشان داد که چارچوب پیشنهادی با دقت 79 درصد توانایی تشخیص توییت‌های نارضایتی را دارد. همچنین موفق به استخراج اطلاعات مفید از این توییت‌ها در غالب 5 موضوع شدیم که با دقت 40 درصد اطلاعاتی شامل مکان، زمان، اشخاص، اهداف و عوامل مرتبط با یک رویداد را استخراج کرد.
کلیدواژه‌ها
پیش‌بینی رویداد؛ تحلیل احساس؛ تحلیل موضوع؛ شبکه‌های اجتماعی؛ پیش‌بینی حوادث و ناهنجاری‌های اجتماعی
مراجع
  • Bahrami, Y. Findik, B. Bozkaya, and S. Balcisoy, “Twitter Reveals: Using Twitter Analytics to Predict Public Protests,” Mit Media Lab, Massachusetts Institute of Technology, Cambridge, Ma, Usa, 2017.
  • میرزایی، میثم، مروری بر روش‌های تشخیص ناهنجاری مبتنی برگراف در شبکه‌های اجتماعی، نشریه پدافند غیرعامل، دوره 10، شماره 3، شماره پیاپی 39،
    صفحه 13-1، پاییز 1398.
  • N. Alsaedi, P. Burnap, and O. Rana, “Can We Predict a Riot? Disruptive Event Detection Using Twitter,” Cardiff University, Uk, 2017.
  • Dwarakanath, A. Kamsin, R. A. Rasheed, A. Anandhan, and L. Shuib, “Automated Machine Learning Approaches for Emergency Response and Coordination via Social Media in the Aftermath of a Disaster: A Review,” Department of Computer System And Technology, Faculty Of Computer Science and Information Technology, University of Malaya, Kuala Lumpur 50603, 2021.
  • Bajpai and A. Jaiswal, “A Framework for Analyzing Collective Action Events on Twitter,” Pennsylvania State University, 2011.
  • S. Neogi, K. A. Garga, R. K. Mishraa, and Y.K. Dwivedi, “Sentiment Analysis and Classification of Indian Farmers’ Protest Using Twitter Data,” Department of Computer Science, BITS Pilani, Dubai Campus, Dubai, United Arab Emirates, 2021.
  • Behl, A. Rao, S Aggarwal, S Chadha, and H.S. Pannu, “Twitter for Disaster Relief through Sentiment Analysis for COVID-19 and Natural Hazard Crises,” Computer Science and Engineering Department Thapar Institute of Engineering and Technology Patiala India, India, 2021.
  • Jianqiang, G. Xiaolin, and A. Z. Xuejun, “Deep Convolution Neural Networks for Twitter Sentiment Analysis,” School of Electronic and Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China, 2018.
  • Jianqiang and A. G. Xiaolin, “Comparison Research on Text Pre-processing Methods on Twitter Sentiment Analysis,” School of Electronic and Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China, 2017.
  • A. Kharde and S.S. Sonawane, “Sentiment Analysis of Twitter Data: A Survey of Techniques,” Department of Computer Engg,  Pune Institute of Computer Technology,Pune University of Pune (India), 2016.
  • Abbasi, http://ideasaryan.blogfa.com/category/3, 2021.
  • Learn, https://monkeylearn.com/text-classification, 2019.
  • Pascual, https://monkeylearn.com/ blog/introduction-to-topic-modeling, 2019.
  • Dwivedi, “NLP: Extracting the Main Topics from your Dataset Using LDA in Minutes, 2018.
  • Hua, D. T. Huynh , S. Hosseini , J. Lu, and X. Zhou, “Information Extraction From Microblogs A Survey”:Int. J. Softw. Informatics 6 (4), 495-522  , 2012.
  • Rohan, “The Natural Language Processing Workshop,” Packt Publishing, 2020.
  • Jalaj, “Python Natural Language Processing,” Packt Publishing, 2017.
  • Masato, “Real-World Natural Language Processing,” Manning Shelter Island, 2021.
آمار
تعداد مشاهده مقاله: 452
تعداد دریافت فایل اصل مقاله: 296