Анализ технологий автоматизированного извлечения нарратива из текста социальных медиа
DOI: 10.21293/1818-0442-2025-28-1-100-107
☷
- О ТУСУРе
- Абитуриентам
-
Студентам
- Первокурсникам
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Групповое проектное обучение
- Журнал посещаемости
- Журнал успеваемости
- Клубы по интересам
- Спорт в ТУСУРе
- Профком студентов
- Содействие трудоустройству
- Облачное хранилище ТУСУРа
- Поддержка студенческих семей
- Поддержка участников СВО и их детей
- Многофункциональный центр
- Аспирантам
-
Сотрудникам
- Телефонный справочник
- Расписание занятий
- Система дистанционного обучения
- Научно-образовательный портал
- Библиотека
- Журнал посещаемости
- Журнал успеваемости
- Генератор рабочих программ
- Генератор ОПОП
- Генератор ИПРП
- Показатели эффективности труда ППС
- Спорт в ТУСУРе
- Профком сотрудников
- Облачное хранилище ТУСУРа
- Выпускникам
- Партнёрам
Аннотация: Социальные медиа играют ключевую роль в современной коммуникации. Основным элементом текстового контента в социальных медиа выступают нарративы, которые передают последовательность событий и отражают авторскую точку зрения. По мере роста объёма пользовательских данных задача автоматизированного извлечения нарративов из текста становится всё более востребованной. Целью статьи является сравнительный анализ существующих методов, подходов и инструментов для автоматизированного извлечения нарратива с последующей формализацией их структуры. Такая формализация необходима для алгоритмизации процесса извлечения нарратива с использованием NLP-инструментов (Natural Language Processing). В работе рассмотрены ключевые подходы к представлению нарративов, включая методы на основе мешка слов, семантических аннотаций, онтологий и векторных представлений (word embeddings). Проанализированы их ограничения и область применения. Особое внимание уделено возможностям адаптации этих методов для анализа коротких и фрагментированных текстов, характерных для социальных медиа (например, постов, твитов). Результаты исследования могут быть полезны для разработки алгоритмов анализа нарративов, что открывает новые перспективы для применения в маркетинговых исследованиях, анализе общественного мнения и психолингвистике.
Ключевые слова: нарратив, моделирование нарратива, вычислительная нарратология, компьютерная лингвистика, обработка естественного языка, анализ социальных медиа, обзор
Библиография статьи:
Рыбаченко И. А. Анализ технологий автоматизированного извлечения нарратива из текста социальных медиа / И. А. Рыбаченко // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2025. – Т. 28, № 1. – С. 100–106. DOI: 10.21293/1818-0442-2025-28-1-100-107
Авторы и правообладатели:
- Рыбаченко И. А. , Томский политехнический университет (Томск, Россия)
- 1. Моштылёва Е.С. Модели наррации в современной русскоязычной интернет-коммуникации: лингво-прагматический и лингвостилистический анализ: автореф. дис. ... канд. филол. наук: 10.02.01. – Н. Новгород, 2021. – 22 с.
- 2. Sevilla-Liu A. The theoretical basis of a functional-descriptive approach to qualitative research in CBS: With a focus on narrative analysis and practice // Journal of Contextual Behavioral Science. – 2023. – Vol. 30. – P. 210–216. DOI: 10.1016/j.jcbs.2023.11.001.
- 3. Of hopeful narratives and historical injustices – An analysis of just transition narratives in European coal regions / L. Hermwille, M. Schulze-Steinen, V. Brandemann, M. Roelfes, Z. Vrontisi, E. Keskula, A. Anger-Kraavi, L. Trembaczowski, W. Mandrysz, R. Muster, A. Zygmunt-Ziemianek // Energy Research & Social Science. – 2023. – Vol. 104. – P. 103263. DOI: 10.1016/j.erss.2023.103263.
- 4. Complex Temporal Question Answering on Knowledge Graphs / Z. Jia, S. Pramanik, R.R. Saha, G. Wei-kum // Proceedings of the 30th ACM International Conference on Information & Knowledge Management. – 2021. DOI: 10.1145/3459637.3482416.
- 5. What a Publication Tells You – Benefits of Narrative Information Access in Digital Libraries / H. Kroll, F. Plötzky, J. Pirklbauer, W. Balke // Proceedings of the 22nd ACM/IEEE Joint Conference on Digital Libraries. – 2022. DOI: 10.1145/3529372.3530928.
- 6. A survey on narrative extraction from textual data / B. Santana, R. Campos, E. Amorim, A. Jorge, P. Silvano, S. Nunes // Artificial Intelligence Review. – 2023. – Vol. 56, Iss. 8. – P. 8393–8435. DOI: 10.1007/s10462-022-10338-7.
- 7. Computational Understanding of Narratives: A Survey / P. Ranade, S. Dey, A. Joshi, T. Finin // IEEE Access. – 2022. – Vol. 10. – P. 101575–101594. DOI: 10.1109/ACCESS.2022.3205314.
- 8. A survey of discourse parsing / J. Li, M. Liu, B. Qin, T. Liu // Frontiers of Computer Science. – 2022. – Vol. 16, Iss. 5. – P. 165329. DOI: 10.1007/s11704-021-0500-z.
- 9. Piper A. Narrative Theory for Computational Narrative Understanding / A. Piper, R.J. So, D. Bamman // Proceedings of the 2021 Conference on Empirical Methods in Natural Language Processing. – 2021. DOI: 10.18653/v1/2021.emnlpmain.26.
- 10. «Бедная русская мысль»: получим ли мы автоматизированное извлечение нарратива? / Л.О. Алгави, И.И. Волкова, Ш.Н. Кадырова, А. Масленникова, Н.Е. Расторгуева. – 2019. DOI: 10.13140/RG.2.2.33111.52640.
- 11. Mani I. Computational Modeling of Narrative // Synthesis Lectures on Human Language Technologies. – 2012. – Vol. 5, Iss. 3. – P. 1–142. DOI: 10.2200/S00459ED1V01Y201212HLT018.
- 12. Евстигнеева Н.В. Модели анализа нарратива / Н.В. Евстигнеева, О.А. Оберемко // Южно-российский журнал социальных наук. – 2007. – Вып. 4. – С. 95–107.
- 13. Clinical narrative-aware deep neural network for emergency department critical outcome prediction / M. Chen, T. Huang, T. Chen, P. Boonyarat, Y.C. Chang // Journal of Biomedical Informatics. – 2023. – Vol. 138. – P. 104284. DOI: 10.1016/j.jbi.2023.104284.
- 14. Gender Stereotypes in Hollywood Movies and Their Evolution over Time: Insights from Network Analysis / A.M. Kumar, J.Y.Q. Goh, T.H.H. Tan, C.S.Q. Siew // Big data and cognitive computing, – 2022. – Vol. 6 (50). DOI: 10.3390/bdcc6020050.
- 15. The DISRPT 2021 Shared Task on Elementary Discourse Unit Segmentation, Connective Detection, and Relation Classification / A. Zeldes, P. Muller, Y.J. Liu, C. Braud, M. Iruskieta, S. Badene // Proceedings of the 2nd Shared Task on Discourse Relation Parsing and Treebanking (DISRPT 2021). – 2021. DOI: 10.18653/v1/2021.disrpt-1.1.
- 16. Crash narrative classification: Identifying agricultural crashes using machine learning with curated keywords / J. Kim, A.B. Trueblood, H. Kum, E.M. Shipp // Traffic Injury Prevention. – 2020. – Vol. 22, Iss. 1. – P. 74–78. DOI: 10.1080/15389588.2020.1836365.
- 17. Modeling Human Mental States with an Entity-based Narrative Graph / I. Lee, M.L. Pacheco, D. Goldwasser // Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. – 2021. DOI: 10.18653/v1/2021.naacl-main.391.
- 18. From Discourse to Narrative: Knowledge Projection for Event Relation Extraction / J. Tang, H. Lin, M. Liao, Y. Lu, X. Han, L. Sun, W. Xie, J. Xu // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. – 2021. DOI: 10.18653/v1/2021.acl-long.60.
- 19. Meghini C. Representing narratives in digital libraries: The narrative ontology / C. Meghini, V. Bartalesi, D. Metilli // Semantic Web. – 2021. – Vol. 12, Iss. 2. – P. 241–264. DOI: 10.3233/SW-200421.
- 20. Joint event extraction along shortest dependency paths using graph convolutional networks / A. Balali, M. Asadpour, R. Campos, A. Jatowt // Knowledge-Based Systems. – 2020. –Vol. 210. – P. 106492. DOI: 10.1016/j.knosys. 2020.106492.
- 21. Event Extraction and Representation: A Case Study for the Portuguese Language / P. Quaresma, V.B. Nogueira, K. Raiyani, R. Bayot // Information. – 2019. – Vol. 10, Iss. 6. – P. 205. DOI: 10.3390/info10060205.
- 22. Long-tail Relation Extraction via Knowledge Graph Embeddings and Graph Convolution Networks / N. Zhang, S. Deng, Z. Sun, G. Wang, X. Chen, W. Zhang, H. Chen // Proceedings of the 2019 Conference of the North. – 2019. DOI: 10.18653/v1/N19-1306.
- 23. A knowledge extraction and representation system for narrative analysis in the construction industry / C.L. Yeung, C.F. Cheung, W.M. Wang, E. Tsui // Expert Systems with Applications. – 2014. – Vol. 41, Iss. 13. – P. 5710–5722. DOI: 10.1016/j.eswa.2014.03.044.
- 24. Chambers N. Unsupervised learning of narrative schemas and their participants / N. Chambers, D. Jurafsky // Proceedings of the Joint Conference of the 47th Annual Meeting of the ACL and the 4th International Joint Conference on Natural Language Processing of the AFNLP. – 2009. DOI: 10.3115/1690219.1690231.
- 25. Universal Dependencies / M. Marneffe, J. Nivre, C.D. Manning, D. Zeman // Computational Linguistics. – 2021. – P. 1–54. DOI: 10.1162/coli_a_00402.
- 26. Damonte M. An Incremental Parser for Abstract Meaning Representation / M. Damonte, S.B. Cohen, G. Satta // Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. – 2017. DOI: 10.18653/v1/E17-1051.
- 27. Пропп В.Я. Морфология волшебной сказки. – СПб.: Питер, 2021. – 256 с.
- 28. Droog-Hayes M. Automatic Detection of Narrative Structure for High-Level Story Representation / M. DroogHayes, G. Wiggins, M. Purver // AISB 2019 Convention: Computational Creativity 2019. – Falmouth: AISB, 2018 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/327579332_Automatic_Detection_of_Narrative_Structure_for_High-Level_Story_Representation, свободный (дата обращения: 01.04.2025).
- 29. TimeML Annotation Guidelines / S. Roser, J. Moszkowicz, B. Knippen, R. Gaizauskas, A. Setzer, J. Pustejovsky // TimeML Annotation Guidelines, Version 1. – 2006 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/248737128_TimeML_Annotation_Guidelines_Version_121, свободный (дата обращения: 04.04.2024).
-2026-1_%D0%BA%D0%BE%D0%BF%D0%B8%D1%8F.jpg)
Адрес редакции
Подписка на обновления
