Usage of Automated Methods and Algorithms for Identification of Ideologemes of News Texts
DOI:
https://doi.org/10.52575/2712-746X-2024-51-1-201-210Keywords:
natural language processing, neural network, targeted sentiment analysis, named-entity recognition, transformer, thesaurusAbstract
At the present stage of the development of information warfare, the problem of automating the process of categorizing news texts by centers of influence, including the identification of messages containing destructive value orientations, is of particular importance. Despite the large number of publications devoted to the description of methods and technologies of modern information wars, linguistic aspects of the functioning of ideologues, there is currently no comprehensive approach to automating the process of identification of ideologues of Russian-language news texts. The purpose of this study is to determine the possibility of applying automated methods identification of ideologies and to build a theoretical model of an intelligent system. As a result of the research, statistical, neural network and graph-oriented approaches were analyzed, their applicability to identify ideologemes of Russian-language discourse through artificial neural networks was evaluated, and an intelligent system model was developed.
Downloads
References
Список источников
Наследов А.Д. 2004. Математические методы психологического исследования: анализ и интерпретация данных: учеб. пособие. СПб.: Речь, (ГПП Печ. Двор), 389 с.
Чудинов А.П. 2012. Политическая лингвистика: учебное пособие. 4-е изд. Москва, Флинта, Наука, 254 с.
Список литературы
Абзалбеков Б.С. 2019. Особенности ценностно-нормативных ориентаций современных политических партий России. Известия Уральского федерального университета. Сер. 3, Общественные науки, 14, 2 (188): 74–84.
Алексеевский Д.А. 2018. Методы автоматического выделения тезаурусных отношений на основе словарных толкований: диссертация на соискание ученой степени кандидата филологических наук: 10.02.21. Москва, 142 с.
Журавлев С.А. 2004. Идеологемы и их актуализация в русском лексикографическом дискурсе: диссертация на соискание ученой степени кандидата филологических наук: 10.02.01. Йошкар-Ола.
Карамова А.А. 2015. Идеологемы: определение понятия и типология. Современные проблемы науки и образования, 2: 1.
Лунев К.В. 2021. Теоретико-графовые алгоритмы выявления семантической близости между понятиями на основе анализа наборов ключевых слов взаимосвязанных объектов: диссертация на соискание ученой степени кандидата физико-математических наук: 05.13.17. Москва, 195 с.
Машечкин И.В., Петровский М.И., Поспелова И.И., Царёв Д.В. 2016. Методы автоматического аннотирования и выделения ключевых слов в задачах обнаружения экстремистской информации в сети Интернет. Современные информационные технологии и ИТ-образование, 12(1): 188–198.
Мелешкин И.Г. 2008. Идеологии политических партий в условиях трансформации партийной системы современной России: диссертация на соискание ученой степени кандидата политических наук: 23.00.02. Санкт-Петербург, 210 с.
Радина Н.К., Козлова А.В, Набокова А.А. 2018. Методы изучения политического поля: Алгоритм идентификации контекстуальных идеологем (На примере региональной культурной политики). Политическая наука, 2: 252–270.
Татаркин В.Е. 2014. Идеология политических партий в условиях реформирования партийной системы современной России. Среднерусский вестник общественных наук, 4 (34): 39–44.
Тихомиров М.М. 2022. Методы автоматизированного пополнения графов знаний на основе векторных представлений: диссертация на соискание ученой степени кандидата физико-математических наук: 05.13.11. Москва, 119 с.
Усталов Д.А. 2017. Модели, методы и алгоритмы построения семантической сети слов для задач обработки естественного языка: диссертация на соискание ученой степени кандидата физико-математических наук: 05.13.17. Москва, 129 с.
Яцко В.А. 2016. Распределение хи-квадрат и взвешивание терминов. Символ науки, 3-3: 105–107.
Baly R, Da San Martino G., Glass J., Nakov P. 2020. We Can Detect Your Bias: Predicting the Political Ideology of News Articles. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), Association for Computational Linguistics: 4982–4991.
Biessmann F. 2016. Automating political bias prediction.
Chen W., Xiao Z., Wang T., Yang B., Yi L. 2017. Opinion-aware Knowledge Graph for Political Ideology Detection. Twenty-Sixth International Joint Conference on Artificial Intelligence. IJCAI-17: 3647–3653. DOI 10.24963/ijcai.2017/510
Devlin J., Chang M.-W., Lee K., Toutanova K. 2019. BERT: Pre-training of Deep Bidirectional Transformers for Language. Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics. Human Language Technologies. Minneapolis, Minnesota. Association for Computational Linguistics. 1: 4171–4186.
Crothers, E., Japkowicz, N., Viktor, H. L. 2019. Towards Ethical Content-Based Detection Of Online Influence Campaigns. IEEE 29th International Workshop on Machine Learning for Signal Processing (MLSP): 1–6. DOI 10.1109/mlsp.2019.8918842
Feng S., Chen Z., Zhang W., Li Q., Zheng Q., Chang X., Luo M. 2021. KGAP: Knowledge Graph Augmented Political Perspective Detection in News Media. arXiv (Cornell University). DOI 10.48550/arxiv.2108.03861
Hosseini-Asl E., Liu W., Xiong C. 2022. A generative language model for few-shot Aspect-Based sentiment analysis. arXiv (Cornell University). DOI 10.48550/arxiv.2204.05356.
Iyyer M., Enns P., Boyd-Graber J., Resnik P. 2014. Political ideology detection using recursive neural networks. In Proceedings of the 52nd annual meeting of the Association for Computational Linguistics. 1: 1113–1122.
Li X., Chen W., Wang T., Huang W. 2017. Target-Specific Convolutional Bi-directional LSTM Neural Network for Political Ideology Analysis. Web and Big Data. APWeb-WAIM 2017. Lecture Notes in Computer Science. Springer, Cham. 10367: 64–72.
Lundberg S. M. et al. 2020. From local explanations to global understanding with explainable AI for trees. Nature machine intelligence, 2(1): 56–67.
Mohammad S., Kiritchenko S., Sobhani P., Zhu X., Cherry C. 2016. Semeval-2016 task 6: Detecting stance in tweets. In Proceedings of the 10th international workshop on semantic evaluation (SemEval-2016): 31–41.
Moloshnikov I., Skorokhodov M., Naumov A., Rybka R., Sboev A. 2023. Named Entity-Oriented Sentiment Analysis with text2text Generation Approach. In Proceedings of the International Conference “Dialogue”.
Petrovskiy M., Tsarev D., Pospelova I. 2017. Pattern based information retrieval approach to discover extremist information on the Internet. In Mining Intelligence and Knowledge Exploration: 5th International Conference, MIKE 2017, Hyderabad, India, December 13–15, 2017. Springer International Publishing. 5: 240-249. DOI 10.1007/978-3-319-71928-3_24.
Prati R. C., Said-Hung E. 2019. Predicting the ideological orientation during the Spanish 24M elections in Twitter using machine learning. AI & SOCIETY. 34: 589–598. DOI 10.1007/s00146-017-0761-0.
Rao A., Spasojevic N. 2016. Actionable and political text classification using word embeddings and LSTM.
Schuhmacher M., Ponzetto S.P. 2014. Knowledge-based graph document modeling. Proceedings of the 7th ACM international conference on Web search and data mining: 543–552.
Yu B., Kaufmann S., Diermeier D. 2008 Classifying Party Affiliation from Political Speech. Journal of Information Technology & Politics. 5: 33–48. DOI 10.1080/19331680802149608.
Abstract views: 88
Share
Published
How to Cite
Issue
Section
Copyright (c) 2024 Economics. Information Technologies
This work is licensed under a Creative Commons Attribution 4.0 International License.
