Детальная информация

В данной работе представлен разработанный прототип универсального веб-приложения для прогнозирования трендов и анализа социальных сетей. Актуальность исследования определяется стремительным ростом объёмов пользовательского контента и необходимостью оперативного выявления ключевых тенденций в режиме реального времени для поддержки принятия решений в бизнес-аналитике и маркетинге. Целью работы является создание системы, способной автоматически собирать данные из API основных социальных платформ (Twitter, Facebook, Instagram и др.), проводить их предварительную очистку и агрегацию, а затем применять алгоритмы машинного обучения (кластеризация, регрессия, сентимент-анализ) для прогнозирования динамики упоминаний и вовлечённости аудитории. В процессе исследования выполнены следующие задачи: анализ предметной области и требований пользователей; проектирование архитектуры на основе Django и PostgreSQL с учётом масштабируемости и отказоустойчивости; реализация модулей интеграции с внешними API и механизма фоновых задач для регулярного сбора данных; разработка и обучение моделей прогнозирования на реальных выборках; создание пользовательского интерфейса с интерактивными дашбордами для визуализации результатов и экспортом отчётов в PDF/CSV; проведение функционального тестирования и оценка качества прогноза с использованием метрик MAE и RMSE. Результаты показывают, что средняя абсолютная ошибка прогноза составляет 9–11 %, а приложение своевременно реагирует на всплески упоминаний. Разработанная платформа может быть интегрирована в корпоративные BI-системы и маркетинговые панели, расширена за счёт дополнительных источников данных и глубинных моделей, а также дополнена функционалом автоматических уведомлений о критических изменениях трендов.

This thesis presents a prototype of a universal web application for trend forecasting and social media analysis. The relevance of the study stems from the rapid growth of user-generated content and the need to detect key trends in real time to support decision-making in business analytics and marketing. The objective is to create a system that automatically collects data from major social media APIs (Twitter, Facebook, Instagram, etc.), performs data cleansing and aggregation, and then applies machine learning algorithms (clustering, regression, sentiment analysis) to forecast mention dynamics and audience engagement. The research tasks included domain analysis and requirement elicitation; architectural design based on Django and PostgreSQL ensuring scalability and fault tolerance; implementation of integration modules with external APIs and background jobs for periodic data collection; development and training of forecasting models on real datasets; construction of an interactive dashboard interface for result visualization and report export in PDF/CSV; as well as functional testing and forecast quality evaluation using MAE and RMSE metrics. Results demonstrate a mean absolute error of 9–11% in forecasts and timely detection of mention spikes. The developed platform can be integrated into corporate BI systems and marketing dashboards, extended with additional data sources and deep learning models, and enhanced with automated alerts for critical trend shifts.

• ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
• ВВЕДЕНИЕ
  • Функциональные требования
  • Нефункциональные требования
• ГЛАВА 1. ПОДГОТОВКА СРЕДЫ РАЗРАБОТКИ И ВЫБОР ТЕХНИЧЕСКОГО СТЕКА
  • 1.1. Выбор среды разработки
  • 1.2. Виртуальное окружение
    • 1.2.1. Сведения об установленных внешних пакетах
  • 1.3. Фреймворк
  • 1.4. СУБД
  • 1.5. Языки разработки и библиотеки
    • 1.5.1. Backend проекта
      • 1.5.1.1. Работа с библиотеками Backend
        • 1.5.1.1.1. Установка библиотек
        • 1.5.1.1.2. Применение backend
      • 1.5.1.2. Frontend проекта
        • 1.5.1.2.1. Установка библиотек
        • 1.5.1.2.2. Применение Frontend
• ГЛАВА 2. УПРАВЛЕНИЕ ПРОЦЕССОМ КАЧЕСТВЕННОЙ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
  • 2.1. Значимость подходов управления для создания и поддержки комплексных приложений
  • 2.2. Обзор основных методов управления проектами разработки ПО
  • 2.3. Применение метода «набегающей волны» в одиночной разработке ПО
  • 2.4. Стратегии тестирования и обеспечение качества
    • 2.4.1. Роль тестирования в разработке
  • 2.5. Статический анализ
    • 2.5.1. Разбор групп опций анализатора
    • 2.5.2. Установка и алгоритм запуска выбранного анализатора
    • 2.5.3. Запуск анализатора
    • 2.5.4. Вывод по статическому анализу
  • 2.6. Модульное тестирование
    • 2.6.1. Инструменты модульного тестирования
    • 2.6.2. Описание тестируемого кода
    • 2.6.3. Процедура установки
    • 2.6.4. Стратегия тестирования
    • 2.6.5. Модульное тестирование с использованием Pytest
    • 2.6.6. Описание тестирования
  • 2.7. Динамический анализ кода
    • 2.7.1. Инструмент динамического анализа
    • 2.7.2. Конфигурирование
    • 2.7.3. Результаты тестирования
    • 2.7.4. Выводы
  • 2.8. Интеграционное тестирование веб-интерфейса проекта с использованием инструмента Selenium
  • 2.9. Функциональное тестирования веб-приложения с использованием Robot Framework
  • 2.10. Нагрузочное тестирование с использованием Apache JMeter
  • 2.11. Оценка устойчивости веб-приложения с применением OWASP Zed Attack Proxy
  • 2.12. Использование подходов DevOps
    • 2.12.1. Система контроля версий (Git)
    • 2.12.2. Непрерывная интеграция
    • 2.12.3. Создание dev окружения (Docker)
    • 2.12.4. Непрерывные интеграция и тестирование (GitHub Actions, Selenium, Checkstyle)
    • 2.12.5. Платформа оркестрации контейнеров (Kubernetes)
• ГЛАВА 3. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ КЛЮЧЕВЫХ КОМПОНЕНТОВ ПРИЛОЖЕНИЯ
  • 3.1. Реализация ML-модели анализа видеоконтента
  • 3.2. Описание кода проекта
  • 3.3. Контроль качества кода: статический анализ и линтеры
  • 3.4. Пример end-to-end сценария (React → API → ML)
  • 3.5. Структура каталогов и описание ключевых модулей проекта
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ
  • ПРИЛОЖЕНИЕ А. Requirements.txt
  • ПРИЛОЖЕНИЕ Б. Dockerfile
  • ПРИЛОЖЕНИЕ В. Docker-compose.yml
  • ПРИЛОЖЕНИЕ Г. Social_analyzer/__init__.py
  • ПРИЛОЖЕНИЕ Д. Social_analyzer/celery.py
  • ПРИЛОЖЕНИЕ Е. Social _analyzer/settings.py
  • ПРИЛОЖЕНИЕ Ж. Social _analyzer/urls.py
  • ПРИЛОЖЕНИЕ З. Аpp/apps.py
  • ПРИЛОЖЕНИЕ И. Аpp/models.py
  • ПРИЛОЖЕНИЕ К. Аpp/serializers.py
  • ПРИЛОЖЕНИЕ Л. Аpp/views.py
  • ПРИЛОЖЕНИЕ М. Аpp/urls.py
  • ПРИЛОЖЕНИЕ М. Аpp/urls_auth.py
  • ПРИЛОЖЕНИЕ Н. Аpp/admin.py
  • ПРИЛОЖЕНИЕ О. Аpp/ml_utils.py
  • ПРИЛОЖЕНИЕ П. Аpp/tasks.py
  • ПРИЛОЖЕНИЕ Р. Src/analyze.py
  • ПРИЛОЖЕНИЕ C. Миграции и первоначальная настройка
  • ПРИЛОЖЕНИЕ Т. Структура проекта со стороны фронтенда
  • ПРИЛОЖЕНИЕ У. Package.
  • ПРИЛОЖЕНИЕ Ф. Public/index.html
  • ПРИЛОЖЕНИЕ Х. Src/index.js
  • ПРИЛОЖЕНИЕ Ц. Src/styles/theme.js
  • ПРИЛОЖЕНИЕ Ч. Src/api/api.js
  • ПРИЛОЖЕНИЕ Ш. Хранилище Redux (src/store/index.js)
  • ПРИЛОЖЕНИЕ Щ. Src/store/slices/authSlice.js
  • ПРИЛОЖЕНИЕ Ы. Src/store/slices/pageSlice.js
  • ПРИЛОЖЕНИЕ Э. Src/components/Layout/Navbar.js
  • ПРИЛОЖЕНИЕ Ю. Src/components/Auth/Login.js
  • ПРИЛОЖЕНИЕ Я. Src/components/Auth/Register.js
  • ПРИЛОЖЕНИЕ А. Src/components/Pages/PageList.js
  • ПРИЛОЖЕНИЕ В. Src/components/Pages/PageDetail.js
  • ПРИЛОЖЕНИЕ С. Src/components/Metrics/MetricsChart.js
  • ПРИЛОЖЕНИЕ D. Src/components/Predictions/PredictionChart.js
  • ПРИЛОЖЕНИЕ Е. Src/components/Dashboard/Dashboard.j
  • ПРИЛОЖЕНИЕ F. Src/utils/dateUtils.js
  • ПРИЛОЖЕНИЕ G. Src/App.js