О проекте

Сегодняшние информационные агентства переходят от традиционной журналистики, где достаточно было публикации всего нескольких новостных статей в день, к современным механизмам создания контента, которые создают более тысячи новостей каждый день. С ростом числа этих современных новостных агентств возникает сложная задача правильной обработки огромного количества данных, которые генерируются для каждой новостной статьи. Поэтому информационные агентства постоянно ищут решения для облегчения и автоматизации некоторых задач, которые ранее выполнялись людьми. В этой диссертации мы сосредотачиваемся на некоторых из этих проблем и предлагаем решения для двух широких проблем, которые помогают информационному агентству не только получить более широкое представление о поведении читателей вокруг статьи, но и предоставить автоматизированные инструменты для облегчения работы по написанию статьи. редакторы при подведении итогов новостных статей. Эти две непересекающиеся проблемы нацелены на улучшение восприятия чтения пользователями, помогая генератору контента отслеживать и сосредотачиваться на неэффективном контенте, позволяя им продвигать хорошо работающие. Сначала мы сосредоточимся на задаче прогнозирования популярности новостных статей с помощью комбинации моделей регрессии, классификации и кластеризации. Далее мы сосредоточимся на проблеме создания автоматических текстовых резюме для длинной новостной статьи с использованием моделей глубокого обучения. Первая задача направлена ​​на то, чтобы помочь разработчику контента понять, как новостная статья работает в долгосрочной перспективе, в то время как вторая задача предоставляет разработчикам контента автоматизированные инструменты для генерации резюме для каждой новостной статьи. опыт чтения, помогая генератору контента отслеживать неэффективный контент и сосредотачиваться на нем, позволяя им продвигать хорошо работающий. Сначала мы сосредоточимся на задаче прогнозирования популярности новостных статей с помощью комбинации моделей регрессии, классификации и кластеризации. Далее мы сосредоточимся на проблеме создания автоматических текстовых резюме для длинной новостной статьи с использованием моделей глубокого обучения. Первая задача направлена ​​на то, чтобы помочь разработчику контента понять, как новостная статья работает в долгосрочной перспективе, в то время как вторая задача предоставляет разработчикам контента автоматизированные инструменты для генерации резюме для каждой новостной статьи. опыт чтения, помогая генератору контента отслеживать неэффективный контент и сосредотачиваться на нем, позволяя им продвигать хорошо работающий. Сначала мы сосредоточимся на задаче прогнозирования популярности новостных статей с помощью комбинации моделей регрессии, классификации и кластеризации. Далее мы сосредоточимся на проблеме создания автоматических текстовых резюме для длинной новостной статьи с использованием моделей глубокого обучения. Первая задача направлена ​​на то, чтобы помочь разработчику контента понять, как новостная статья работает в долгосрочной перспективе, в то время как вторая задача предоставляет разработчикам контента автоматизированные инструменты для генерации резюме для каждой новостной статьи. и модели кластеризации. Далее мы сосредоточимся на проблеме создания автоматических текстовых резюме для длинной новостной статьи с использованием моделей глубокого обучения. Первая задача направлена ​​на то, чтобы помочь разработчику контента понять, как новостная статья работает в долгосрочной перспективе, в то время как вторая задача предоставляет разработчикам контента автоматизированные инструменты для генерации резюме для каждой новостной статьи. и модели кластеризации. Далее мы сосредоточимся на проблеме создания автоматических текстовых резюме для длинной новостной статьи с использованием моделей глубокого обучения. Первая задача направлена ​​на то, чтобы помочь разработчику контента понять, как новостная статья работает в долгосрочной перспективе, в то время как вторая задача предоставляет разработчикам контента автоматизированные инструменты для генерации резюме для каждой новостной статьи.

Сыромолотова Ул., дом 7, кв. 507 7(495) 969-12-07