Використання реляційного навчання для дослідження ефективності використання хештегів у майбутніх темах та відносин з користувачами в X

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.306726

Ключові слова:

взаємовідносини з користувачами, майбутні теми, математичні моделі, графові запити, реляційне навчання

Анотація

Це дослідження має об’єкт дослідження, а саме реляційне навчання з підходом математичного моделювання на основі графових запитів для вивчення майбутніх тем і взаємовідносин користувачів. Проблема в цьому дослідженні полягає у великій і різноманітній кількості твітів, які створюються щодня, де кожне використання хештегів завжди збільшується, що впливає на накопичення даних, які необхідно обробити для отримання інформації, оскільки користувачі соціальних мереж X можуть взаємодіяти, щоб впливати на тенденції, щоб вирішити проблему. Це вимагає застосування реляційного навчання з використанням математичних моделей графових запитів. Результати, отримані в результаті цього дослідження, представлені у формі моделі, яка може створювати прогнози щодо майбутніх тем і бачити стосунки користувачів на основі взаємодії в соціальних мережах із стосунками між об’єктами у взаємопов’язаних вузлах. При застосуванні реляційного навчання з математичними моделями з використанням графових запитів відбуватиметься процес дослідження зв’язків між сутностями, вмістом і комунікаційними взаємодіями відповідно до визначень і теорем, які були описані для спостереження за кожним вузлом. У реляційному навчанні буде кожен вузол відповідно до використовуваної сутності, потім математична модель із запитами на графи з’єднає всі сутності, щоб сформувати граф, який можна використовувати як модель для прогнозування майбутніх тем і відносин між користувачами. Це дослідження є новизною у застосуванні графових запитів до математичних моделей для прогнозування майбутніх тем і застосування реляційного навчання до взаємовідносин користувачів, щоб воно могло збільшити інформацію, пов’язану з комунікацією в майбутньому

Біографії авторів

Ahmad Rahmatika, Universitas Muhammadiyah Sumatera Utara

Master of Mathematics Education

Department of Information Technology

Al-khowarizmi Al-khowarizmi, Universitas Muhammadiyah Sumatera Utara

Doctor of Computer Science

Department of Information Technology

Akrim Akrim, Universitas Muhammadiyah Sumatera Utara

Professor of Education

Department of Islamic Education

Okvi Nugroho, Universitas Muhammadiyah Sumatera Utara

Master of Computer

Department of Information Technology

Tri Andre Anu, Universitas Muhammadiyah Sumatera Utara

Master of Computer

Department of Information Technology

Посилання

  1. Wu, F., Wu, T., Yuce, M. R. (2019). Design and Implementation of a Wearable Sensor Network System for IoT-Connected Safety and Health Applications. 2019 IEEE 5th World Forum on Internet of Things (WF-IoT). https://doi.org/10.1109/wf-iot.2019.8767280
  2. Liu, J., Zhao, Z., Ji, J., Hu, M. (2020). Research and application of wireless sensor network technology in power transmission and distribution system. Intelligent and Converged Networks, 1 (2), 199–220. https://doi.org/10.23919/icn.2020.0016
  3. Swamy, S. N., Jadhav, D., Kulkarni, N. (2017). Security threats in the application layer in IOT applications. 2017 International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC). https://doi.org/10.1109/i-smac.2017.8058395
  4. Shivalingagowda, C., Ahmad, H., Jayasree, P. V. Y., Sah, D. K. (2021). Wireless Sensor Network Routing Protocols Using Machine Learning. Lecture Notes in Networks and Systems, 99–120. https://doi.org/10.1007/978-981-16-0386-0_7
  5. Khutsoane, O., Isong, B., Gasela, N., Abu-Mahfouz, A. M. (2020). WaterGrid-Sense: A LoRa-Based Sensor Node for Industrial IoT Applications. IEEE Sensors Journal, 20 (5), 2722–2729. https://doi.org/10.1109/jsen.2019.2951345
  6. Wang, A., Dara, R., Yousefinaghani, S., Maier, E., Sharif, S. (2023). A Review of Social Media Data Utilization for the Prediction of Disease Outbreaks and Understanding Public Perception. Big Data and Cognitive Computing, 7 (2), 72. https://doi.org/10.3390/bdcc7020072
  7. Hajiakhoond Bidoki, N., Mantzaris, A. V., Sukthankar, G. (2019). An LSTM Model for Predicting Cross-Platform Bursts of Social Media Activity. Information, 10 (12), 394. https://doi.org/10.3390/info10120394
  8. Ertam, F., Kilincer, I. F., Yaman, O., Sengur, A. (2020). A New IoT Application for Dynamic WiFi based Wireless Sensor Network. 2020 International Conference on Electrical Engineering (ICEE). https://doi.org/10.1109/icee49691.2020.9249771
  9. Yahya, O. H., Alrikabi, H., Aljazaery, I. A. (2020). Reducing the Data Rate in Internet of Things Applications by Using Wireless Sensor Network. International Journal of Online and Biomedical Engineering (IJOE), 16 (03), 107. https://doi.org/10.3991/ijoe.v16i03.13021
  10. Mejjaouli, S., Babiceanu, R. F. (2015). RFID-wireless sensor networks integration: Decision models and optimization of logistics systems operations. Journal of Manufacturing Systems, 35, 234–245. https://doi.org/10.1016/j.jmsy.2015.02.005
  11. You, G., Zhu, Y. (2020). Structure and Key Technologies of Wireless Sensor Network. 2020 Cross Strait Radio Science & Wireless Technology Conference (CSRSWTC). https://doi.org/10.1109/csrswtc50769.2020.9372727
  12. Taherdoost, H. (2023). Enhancing Social Media Platforms with Machine Learning Algorithms and Neural Networks. Algorithms, 16 (6), 271. https://doi.org/10.3390/a16060271
  13. Gutierrez-Osorio, C., González, F. A., Pedraza, C. A. (2022). Deep Learning Ensemble Model for the Prediction of Traffic Accidents Using Social Media Data. Computers, 11 (9), 126. https://doi.org/10.3390/computers11090126
  14. Huang, J.-Y., Lee, W.-P., Lee, K.-D. (2022). Predicting Adverse Drug Reactions from Social Media Posts: Data Balance, Feature Selection and Deep Learning. Healthcare, 10 (4), 618. https://doi.org/10.3390/healthcare10040618
  15. Xu, Z., Qian, M. (2023). Predicting Popularity of Viral Content in Social Media through a Temporal-Spatial Cascade Convolutional Learning Framework. Mathematics, 11 (14), 3059. https://doi.org/10.3390/math11143059
  16. Abu-Salih, B., Al-Tawil, M., Aljarah, I., Faris, H., Wongthongtham, P., Chan, K. Y., Beheshti, A. (2021). Relational Learning Analysis of Social Politics using Knowledge Graph Embedding. Data Mining and Knowledge Discovery, 35 (4), 1497–1536. https://doi.org/10.1007/s10618-021-00760-w
  17. Malozyomov, B. V., Martyushev, N. V., Sorokova, S. N., Efremenkov, E. A., Valuev, D. V., Qi, M. (2024). Analysis of a Predictive Mathematical Model of Weather Changes Based on Neural Networks. Mathematics, 12 (3), 480. https://doi.org/10.3390/math12030480
  18. Shafqat, W., Byun, Y.-C. (2019). Topic Predictions and Optimized Recommendation Mechanism Based on Integrated Topic Modeling and Deep Neural Networks in Crowdfunding Platforms. Applied Sciences, 9 (24), 5496. https://doi.org/10.3390/app9245496
  19. Regulski, K., Opaliński, A., Swadźba, J., Sitkowski, P., Wąsowicz, P., Kwietniewska-Śmietana, A. (2024). Machine Learning Prediction Techniques in the Optimization of Diagnostic Laboratories’ Network Operations. Applied Sciences, 14 (6), 2429. https://doi.org/10.3390/app14062429
  20. Aljohani, A. (2023). Predictive Analytics and Machine Learning for Real-Time Supply Chain Risk Mitigation and Agility. Sustainability, 15 (20), 15088. https://doi.org/10.3390/su152015088
  21. Sánchez Lasheras, F. (2021). Predicting the Future-Big Data and Machine Learning. Energies, 14 (23), 8041. https://doi.org/10.3390/en14238041
  22. He, Z., Yu, J., Gu, T., Yang, D. (2024). Query execution time estimation in graph databases based on graph neural networks. Journal of King Saud University - Computer and Information Sciences, 36 (4), 102018. https://doi.org/10.1016/j.jksuci.2024.102018
  23. Zhu, L., Zhang, H., Bai, L. (2024). Hierarchical pattern-based complex query of temporal knowledge graph. Knowledge-Based Systems, 284, 111301. https://doi.org/10.1016/j.knosys.2023.111301
Використання реляційного навчання для дослідження ефективності використання хештегів у майбутніх темах та відносин з користувачами в X

##submission.downloads##

Опубліковано

2024-06-28

Як цитувати

Rahmatika, A., Al-khowarizmi, A.- khowarizmi, Akrim, A., Nugroho, O., & Anu, T. A. (2024). Використання реляційного навчання для дослідження ефективності використання хештегів у майбутніх темах та відносин з користувачами в X. Eastern-European Journal of Enterprise Technologies, 3(2 (129), 62–68. https://doi.org/10.15587/1729-4061.2024.306726

Номер

Том 3 № 2 (129) (2024): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2024 Ahmad Rahmatika, Al-khowarizmi Al-khowarizmi, Akrim Akrim, Okvi Nugroho, Tri Andre Anu

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.