Программная реализация информационной системы с мультиклассовым энкодером для анализа комментариев социальных сетей

Введение. Представлен прикладной подход к автоматизированной разметке пользовательских коммуникаций в социальной сети «ВКонтакте» и построению компактной нейросетевой модели для одновременного определения коммуникативного класса комментария (конструктивный/деструктивный/нейтральный) и его тональности (положительное/отрицательное/нейтральное). Эмпирическая база содержит 996 пар «пост-комментариев», собранных из популярных региональных сообществ с акцентом на городские и новостные тематики. Метод. Архитектурно применен русскоязычный энкодер языковой модели, основанной на архитектуре «трансформер», с многоцелевой постановкой. Токенизация реализована по схеме WordPiece, оптимизация проведена по взвешенной кросс-энтропии с класс-весами для компенсации дисбаланса, валидация — стратифицированная. Качество оценивается по метрике macro-F1 для обеих задач. Для устойчивости модели на малом корпусе использована «заморозка» энкодера на первую эпоху с последующей короткой донастройкой, а также итеративное дообучение на новых размеченных партиях через веб-интерфейс. Элементы объяснимости нейросети обеспечены подсветкой вкладов токенов (на основе сверточного модуля внимания) и поиском ближайшего примера из обучающей выборки, что связывает решение модели с интерпретируемыми языковыми маркерами. Экспериментальная апробация на процессорной инфраструктуре показала достижимость работы без графического ускорителя и внешних сервисов при ограничении контекста. Основные результаты. Исходные результаты на базовом корпусе демонстрируют ожидаемо невысокие значения macro-F1 из-за дисбаланса и объема данных (порядка 0,31 для конструктивности и 0,20 для тональности), однако включение класс-весов, коротких циклов дообучения приводят к устойчивому росту метрик без деградации на редких классах. Практический результат работы заключается в объединении контекстно-зависимой классификации «пост-комментарий», двуглавого многозадачного обучения и минималистичной схемы развертывания, с использованием программных пакетов FastAPI и Gradio, в воспроизводимый инструмент мониторинга сетевых коммуникаций. Обсуждение. Научная новизна работы отражается в совместной контекстной классификации тональности анализируемого текста, а также в применении цикла «доразметка»–«дообучение»–«валидация» с элементами объяснимости, что отличает подход от одноцелевых моделей сентимент-анализа и поведенческих схем детекции онлайн коммуникации.

1. Бражникова С.С. Современные цифровые коллаборативные инструменты в российском образовании: опыт, вызовы и перспективы // Вестник МГПУ. Серия: Информатика и информатизация образования. 2025. № 2 (72). С. 60–69. doi: 10.24412/2072-9014-2025-272-60-69

2. Шумкова Н.В., Дадаева Т.М. Факторы вовлеченности студентов в деструктивные практики в реальном и цифровом пространстве // Социологические исследования. 2023. № 2. С. 137–142. doi: 10.31857/S013216250023446-3

3. Карпова А.Ю., Савельев А.О., Вильнин А.Д., Чайковский Д.В. Изучение процесса онлайн-радикализации молодежи в социальных медиа (междисциплинарный подход) // Мониторинг общественного мнения: экономические и социальные перемены. 2020. № 3 (157). С. 159–181. doi: 10.14515/monitoring.2020.3.1585

4. Дудина О.С. Аналитическое моделирование систем с электронной очередью // Журнал Белорусского государственного университета. Математика. Информатика. 2024. № 2. С. 40–53.

5. Забоев М.В., Халин В.Г., Чернова Г.В., Юрков А.В. Интеллектуальный анализ данных в управлении российской высшей школой // Прикладная информатика. 2022. Т. 17. № 4 (100). С. 17–36. doi: 10.37791/2687-0649-2022-17-4-17-36

6. Трефилов П.М., Венец В.И., Романова М.А. Вероятностное прогнозирование и оценка достоверности данных в интеллектуальных транспортных системах // Прикладная информатика. 2025. Т. 20. № 2 (116). С. 53–64. doi: 10.37791/2687-0649-2025-20-2-53-64

7. Жданова А.Н., Куприянов А.В., Голова А.А., Булгаков А.С., Баканов Д.С. Исследование эффективности различных архитектур рекуррентных нейронных сетей для решения задачи анализа тональности русскоязычных комментариев пользователей социальных сетей // Автометрия. 2023. Т. 59. № 4. С. 29–38. doi: 10.15372/AUT20230404

8. Pleshakova E.S., Filimonov A.V., Osipov S.T. Gataullin S.T. Identification of cyberbullying by neural network methods // Security Issues. 2022. N 3. P. 28–38. doi: 10.25136/2409-7543.2022.3.38488

9. Ghosh S., Priyankar A., Ekbal A., Bhattacharyya P. A transformerbased multi-task framework for joint detection of aggression and hate on social media data // Natural Language Engineering. 2023. V. 29. N 6. P. 1495–1515. doi: 10.1017/S1351324923000104

10. Nelatoori K.B., Kommanti H.B. Multi-task learning for toxic comment classification and rationale extraction // Journal of Intelligent Information Systems. 2023. V. 60. N 2. P. 495–519. doi: 10.1007/s10844-022-00726-4

11. Солонько М.К., Краснов К.А. DOCKER-контейнеры // Телекоммуникации и информационные технологии. 2020. № 7 (1). С. 65–69.

12. Вихляев Д.Р., Глаголев В.А. Парсинг данных сообщества «ВКонтакте» с помощью Vk api // Постулат. 2021. № 10 (72). С. 9.

13. Фомина И.К., Татаурова А.С. Повышение эффективности модели классификации определения тональности текста // Актуальные проблемы экономики и управления. 2022. № 1 (33). С. 55–58.

14. Ярушкина Н.Г., Мошкин А.А., Константинов А.А. Применение языковых моделей word2vec и bert в задаче сентимент-анализа текстовых сообщений социальных сетей // Автоматизация процессов управления. 2020. № 3 (61). С. 60–69. doi: 10.35752/1991-2927-2020-3-61-60-69

15. Галеев Д.Т, Панищев В.С. Экспериментальное исследование языковых моделей «трансформер» в задаче нахождения ответа на вопрос в русскоязычном тексте // Информатика и автоматизация. 2022. № 21 (3). С. 521–542. doi: 10.15622/ia.21.3.3

16. Jamgharyan T. Recommendations for the deployment of equipment for training neural networks // Bulletin of High Technology. 2024. N 3 (31). P. 84–92. doi: 10.56243/18294898-2024.3-84

17. Лыкова К.Г. Возможности применения Python для моделирования вероятностных задач // Continuum. Математика. Информатика. Образование. 2025. № 1 (37). С. 66–77. doi: 10.24888/2500-1957-2025-1-66-77

18. Форер А.Л. Решение задачи night object detection на основе применения фреймворка Pytorch и архитектуры Yolov5 // Международный журнал гуманитарных и естественных наук. 2024. № 12-3 (99). P. 229–232. doi: 10.24412/2500-1000-2024-12-3-229-232

19. Dasari Ch.M., Bhukya R. MapReduce paradigm: DNA sequence clustering based on repeats as features // Expert Systems. 2022. V. 39. N 1. P. e12827. doi: 10.1111/exsy.12827

20. Печенин В.А., Печенина Е.Ю. Применение федеративного обучения для нейронной сети поиска подходящих публикаций // Уральский научный вестник. 2023. T. 4. № 9. С. 19–25.

21. Shi J., Gao P., Smolic A. Blind image quality assessment via transformer predicted error map and perceptual quality token // IEEE Transactions on Multimedia. 2024. V. 26. P. 4641–4651. doi: 10.1109/tmm.2023.3325719

22. Иванов Д.О., Савинов Ю.Г. Дообучение нейронных сетей: методы и эксперименты // Ученые записки УлГУ. Серия: Математика и информационные технологии. 2025. № 1. С. 31–40.