Управление данными и информационные системы

Научный семинар Института системного программирования РАН

Browsing Posts published by admin

Семинар в это семестре проходит по вторникам. Начало в 18:00.
Расписание доступно по ссылке

Внимание! 26.09.2017 (вторник) в 19:00 состоится первый спецсеминар в 2017-2018 учебном году.

Приглашаются студенты ВМК МГУ, МФТИ и ВШЭ. На первом семинаре научные руководители расскажут о себе и темах курсовых/дипломных работ. Явка студентов обязательна!

UPDATE:

Распределение тем на спецсеминаре происходит по обобщенному алгоритму Гейла-Шепли. Механика процесса следующая:

  1. Во вторник вечером мы рассказываем о своих направлениях исследований и темах работ.
  2. После семинара и далее в течение недели, до пятницы 29 сентября включительно, можно договориться с потенциальным научным руководителем, встретиться и обсудить темы более подробно.
  3. К 6 часам утра понедельника 2 октября каждый студент должен отправить письмо со своими приоритетами на адрес yaroslav.nedumov@ispras.ru. Письмо должно содержать:
    1. Тема: “Выбор тем, ФИО, курс (3, 4, 5 или 6), ВУЗ (ВМК, МФТИ или ВШЭ)“. Например: “Выбор тем, Байес Томас Джошуевич, 5 курс, МФТИ”
    2. Эссе на 0,5 – 1 страницу (1-2 тыс. знаков) с описанием ваших интересов и мотивов выбора тем.
    3. 3-5 (лучше 5) тем работ в порядке убывания приоритета в формате: фамилия научного руководителя, название темы.

    UPDATE 2: Заполнить гуглоформу: https://goo.gl/forms/NiNHIXHuAwZ6QZdU2. (Кто уже отправил мне письмо, не переживайте, я о вас помню).

  4. В течение понедельника-вторника мы определимся со своими предпочтениями и к следующему семинару (19:00, 3 октября) здесь, на сайте семинара, будет опубликовано распределение по темам.

В последние несколько лет количество различных СУБД с разными языками запросов и моделями
данных стремительно выросло. Даже при наличие стандартов, таких как SQL, очень много функционала в стандарты не попадает (например различные библиотеки функций и расширения языка), таким образом каждая СУБД с поддержкой SQL на самом деле предлагает свой особый диалект. При этом, возможности программистов, а особенно data scientists и инженеров
осваивать и держать в рабочем состоянии умения работать с большим количеством баз принципиально не изменилось.

В проекте PythonQL мы решаем сразу несколько задач, но основная из них – дать простой удобный интерфейс программисту ко всем СУБД через встроенный язык запросов и с использованием уже знакомых программисту библиотек. Кроме этой задачи,
программист получает возможность одним запросом обращаться в несколько разных СУБД, использовать в запросе данные из файлов и структур данных из оперативной памяти программы.

В докладе будет представлен как само расширение PythonQL, так и текущая реализация и перспективы развития системы.

Начало в 18.00
Докладчик: Павел Велихов

2 мая – предзащита 4 курса бакалавриата и 2 года магистратуры ВМК МГУ
24 мая (дата перенесена) – Защита курсовых 3 курса бакалавриата и 1 года магистратуры ВМК МГУ

Для тестирования значимости или масштабируемости алгоритмов анализа сетей (например, поиска сообществ в графе) необходимо иметь датасет из разных графов разного размера. Однако, обычно в наличии есть небольшое количество реальных графов, а кроме того, их свойства могут сильно различаться в зависимости от домена: социальные графы, графы звонков, биологические и т.д. Поэтому необходимо уметь генерить случайные графы разного размера, похожие на данный и имеющие свойства, характерные для графов из этого домена.
Особенностью рассмотренной задачи также является то, что часто ребра графа ориентированны и имеют веса, а сами графы имеют сообщества. Соответственно, генерируемые графы тоже должны быть ориентированными, взвешенными и иметь сообщества с похожей структурой.
В докладе предлагается метод генерации случайных графов, основанный на эмбеддинге графа (graph embedding). Graph embedding успешно используется для автоматического извлечения графовых признаков путем представления вершин графа векторами небольшой размерности. Будет рассказано о том, как этот подход применить для генерации похожих на данный граф случайных направленных взвешенных графов с сообществами.

Докладчик: Дробышевский Михаил

Кластеризация текстовых документов, то есть разбиение множества документов на близкие по смыслу подмножества, является фундаментальной задачей обработки текстов. Ее результаты используются во многих прикладных задачах (таких как информационный поиск, исследовательский поиск, определение спама).
Данный доклад посвящен обзору и экспериментальному сравнению методов кластеризации текстовых документов в приложении к научным статьям. В ходе доклада будут рассмотрены методы, основанные на мешке слов, извлечении терминологии, тематическом моделировании, а также векторном представлении слов (word embedding) и документов, полученном с помощью искусственных нейронных сетей (word2vec, paragraph2vec).

Докладчик: Павел Пархоменко

Социальный граф содержит много информации о пользователях социальных сетей и
может быть использован для определения демографических атрибутов, определения
основного мест проживания и выявления ботов. Однако использование графа затруднено т.к. большинство алгоритмов классификации и регрессии не способны работать с графом непосредственно.
Для того, чтобы использовать стандартные методы машинного обучения можно
представить вершины графа в виде векторов небольшой размерности. О методах представления вершин графа в векторном виде будет рассказано на  семинаре.

Докладчик: Илья Козлов

Доклад посвящен определению основного места проживания пользователей социальных сетей. Будет рассказано про подходы, основанные на анализе социального графа – вероятностные модели, метод распространения меток, и подход основывающийся на graph node embeddings и алгоритмах машинного обучения.

Докладчик: Юлия Трофимович

Пользователи сети Интернет, взаимодействующие в социальных медиа, как правило, имеют публичные страницы, на которых они могут указывать персональную информацию, включая социо-демографические характеристики. К таким характеристикам относятся пол, возраст,семейное положение, уровень образования, профессия, трудоустроенность, национальность, место жительства и другие. Социо-демографический профиль пользователя — набор значений его социо-демографических атрибутов. По тем или иным причинам далеко не все атрибуты заполняются пользователями. Кроме того, иногда пользователи оставляют в своих профилях ложные сведения. Отсюда возникает задача предсказания неуказанных и неверно указанных социо-демографических атрибутов пользователей. Для определения значений демографических атрибутов пользователей используются различные открытые данные, такие как: тексты публичных сообщений пользователей, отношения дружбы между пользователями, подписки пользователей на сообщества, явно указанные значения атрибутов.

Социо-демографические профили пользователей активно используются в системах интернет-маркетинга и рекомендаций, где особую важность представляет целевая аудитория предлагаемого товара, услуги, информационного продукта. Явно указанные и предсказанные значения демографических атрибутов пользователей могут использоваться как для определения целевой аудитории конкретного продукта, так и для поиска потенциальных потребителей.

В рамках доклада будет рассмотрена задача построения социо-демографических профилей пользователей социальных сетей, будет описан подход к определению значений демографических атрибутов пользователей на примере социальной сети Вконтакте. Подход основан на построении социо-лингвистического графа и применения в нем метода распространения меток.

 

Докладчик: Андрей Гомзин

Проблема распознавания достоверности новостей является актуальной, особенно в настоящее время, в гетерогенном информационном поле. Поэтому необходимо разработать инструменты, которые позволили бы автоматически с использованием лингвистических методов и моделей определять достоверность или недостоверность новостей, опубликованных в интернет-СМИ.

На уровне дискурса в области автоматической обработки текста можно работать с текстами в рамках теории риторической структуры. Мы собрали корпус из достоверных и недостоверных новостей и разметили их по использованным типам риторических связей.

Для решения задачи классификации текстов и машинного обучения мы использовали Support Vector Machines (для линейного ядра и rbf-ядра) и Random Forest Classifier, для обоих классификаторов с кросс-валидацией 10-fold. В качестве признаков использовались типы риторических связей (частотность), а также сочетания типов связей (типы риторических связей+биграммы и типы риторических связей+триграммы), всего в эксперименте было использовано три набора данных. Лучшие результаты мы получили при классификации с помощью Support Vector Machines с линейным ядром для первого набора данных, он оказался лучше всего линейно разделим на два класса. Модель имеет предсказательную силу (0.65), превышающую показатели для схожего исследования для английского языка, а также показатели распознавания достоверности новостей людьми.

Докладчик: Дина Писаревская