ПРОЄКТУВАННЯ АРХІТЕКТУРИ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ ОБ’ЄКТНО-ОРІЄНТОВАНОГО ПІДХОДУ ДЛЯ РЕАЛІЗАЦІЇ АЛГОРИТМУ НЕЙРОМЕРЕЖЕВОГО ВИЯВЛЕННЯ ЕТНІЧНОЇ ВОРОЖНЕЧІ У ПОВІДОМЛЕННЯХ

Анотація

У статті розглядається сучасний підхід до нейромережевого виявлення етнічної ворожнечі в цифровому текстовому контенті в умовах великих обсягів даних, що постійно зростають. Запропоновано використовувати технології машинного навчання та обробки природної мови для автоматичного виявлення етнічної ворожнечі у цифрових текстах. Алгоритм, розроблений у роботі, автоматизує процес аналізу публікацій у мережі для виявлення етнічної ворожнечі та конфліктних висловлювань між етнічними групами. Він складається з двох етапів: попередньої обробки тексту (видалення стоп-символів і смайлів) та передбачення за допомогою моделі FastForest, яка пере- творює текст в числову послідовність для подальшого аналізу. Алгоритм генерує відсоткову оцінку ймовірності наявності етнічної ворожнечі в тексті, що полегшує процес виявлення і експертизи таких проявів. Запропоновано конвеєр обробки та класифікації текстових даних, який включає перетворення текстових повідомлень у числові ознаки та їх об'єднання в вектор характеристик для подальшого аналізу. Цільова змін- на перетворюється в числові ключі, після чого застосовується метод OneVersusAll і алгоритм FastForest для навчання моделі на кожному класі окремо, з використанням ансамблю з чотирьох дерев рішень, що підвищує точність і знижує ризик перенавчання. Після навчання модель класифікує новий контент на наявність або від- сутність етнічної ворожнечі. Програмне забезпечення складається з кількох підсистем: обробки даних, виявлення етнічної ворожнечі, попередньої обробки даних, а також допоміжних підсистем для формування навчальної вибірки та навчання моделі. Підсистема формує набір даних для навчання класифікатора, а підсистема навчання моделі відповідає за її налаштування і збереження. Підсистеми були інтегровані в єдину систему для автоматизації виявлення етнічної ворожнечі в цифровому контенті. Оцінка ефективності алгоритму проводилась за допомогою метрик, таких як MicroAccuracy, MacroAccuracy, LogLoss, ConfusionMatrix, f1-міра та Recall. Результати показали високий рівень точності: MicroAccuracy 0.9890, MacroAccuracy 0.9889, LogLoss 0.0463, з високими значеннями Precision та Recall для обох класів. Модель успішно класифікувала більшість випадків, передбачивши 4 854 з 4 918 випадків з етнічною ворожнечею. Отримані результати відкривають нові можливості для створення більш безпечних онлайн-середовищ, що є важливим кроком у боротьбі з дискримінацією та ненавистю в цифровому просторі.