<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Програмні методи та інструменти маркування атрибутів для аналізу рекламних продуктів

Ескіз

Файли

23225.pdf (237 KB)

Дата

2025

Автори


Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

The analysis of software methods and tools for marking attributes for the analysis of advertising products has been performed. The basic methods of attribute detection, data preparation for analysis, and classification by defined parameters are analyzed.

Опис

Ключові слова

automated analysis of advertising products , marking , social media analytics , software data processingmethods , software analysis methods , software engineering

УДК

004.046

Тип документа

Thesis

Мова

uk_UA

Є частиною

Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», Вінниця, 15-16 червня 2025 р.

ISSN

Бібліографічний опис

Куліш С. П., Ткаченко О. М. Програмні методи та інструменти маркування атрибутів для аналізу рекламних продуктів // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», Вінниця, 15-16 червня 2025 р. Електрон. текст. дані. 2025. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/23225.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/47790

Зібрання

Молодь в науці: дослідження, проблеми, перспективи (МН-2025)

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (10)

  1. A survey of deep learning solutions for multimedia visual content analysis / M. S. Nadeem et al. IEEE access. 2019. Vol. 7. P. 8400384019. URL: https://doi.org/10.1109/access.2019.2924733 (date of access: 07.02.2025).
  2. Deep learning for logo recognition / S. Bianco et al. Neurocomputing. 2017. No. 245. P. 2330. URL: https://doi.org/10.1016/j.neucom.2017.03.051.
  3. A survey on text classification: from traditional to deep learning / Q. Li et al. ACM transactions on intelligent systems and technology. 2022. Vol. 13, no. 2. P. 141. URL: https://doi.org/10.1145/3495162 (date of access: 07.02.2025).
  4. Sentiment analysis on online product reviews. / R. Bose . Information and communication technology for sustainable development, proceedings of ICT4SD 2018. advances in intelligent systems and computing. 2019. . 559569. URL: https://doi.org/10.1007/978-981-13-7166-0_56.
  5. Buttle F. A., Maklan S. Customer relationship management: concepts and technologies. Taylor & Francis Group, 2019.
  6. ImageNet large scale visual recognition challenge / O. Russakovsky et al. International journal of computer vision. 2015. Vol. 115, no. 3. P. 211252. URL: https://doi.org/10.1007/s11263-015-0816-y (date of access: 07.02.2025).
  7. Jrvinen J., Karjaluoto H. The use of Web analytics for digital marketing performance measurement. Industrial marketing management. 2015. Vol. 50. P. 117127. URL: https://doi.org/10.1016/j.indmarman.2015.04.009 (date of access: 07.02.2025). 8. Kaushik A. Web analytics 2.0: the art of online accountability & science of customer centricity. Indianapolis, IN : Wiley, 2014. 475 p.
  8. Liu X., Shin H., Burns A. C. Examining the impact of luxury brand's social media marketing on customer engagement: using big data analytics and natural language processing. Journal of business research. 2019. URL: https://doi.org/10.1016/j.jbusres.2019.04.042 (date of access: 07.02.2025).
  9. Mankad D. J. Understanding digital marketing: strategies for online success. BPB Publications, 2019.
  10. Pei J., Han J., Tong H. Data mining: concepts and techniques. Elsevier Science & Technology Books, 2021. 752 p.