Work

Text sentiment analysis using neural network models

Year: 2019
Type: conference-paper
Abstract: АннотацияВ статье рассматриваются методы решения задачи анализа тональности текстов на основе нейросетевых моделей обработки естественного языка.В статье рассмотрены методы, создающие векторное представление слов в n-мерном векторном пространстве, в основе которых лежит лежат технологии «Word2Vec», «GloVe», «FastText».Подходы используется в задачах классификации, анализа тональности, исправления опечаток, рекомендательных системах.Представлены результаты сравнения классификаций в задаче анализа тональности многослойного персептрона, сверточной и рекуррентной нейронной сети, деревьев решений (случайный лес), метода опорных векторов (SVM), наивного байесовского классификатора (NB), метода k-ближних соседей (K-NN).Результаты классификации представлены для трех наборов данных: сообщения в твиттере, отзывы на различные товары и услуги, русскоязычные новости.Ключевые слова: анализ тональности, Word2Vec, GloVe, FastText, векторное представление слов, рекуррентные нейронные сети, сверточные нейронные сети. ВведениеАнализ тональности текста представляет из себя класс методов обработки естественного языка, предназначенных для автоматизированного распознавания в текстах эмоционально окрашенной лексики и эмоциональной оценки (положительной, негативной, нейтральной) [1].В данной статье анализ тональность рассматривается как частный случай классификации документов.Классификация документов -одна из задач информационного поиска, заключающаяся в отнесении документа к одной из нескольких категорий на основании содержания документа [2].Определение анализа тональности текстов имеет важное практическое применение в различных направлениях человеческой деятельности: ведении бизнеса, определении политических и экономических стратегий, в оценке качества выпускаемой продукции и услуг в социальных сетях, блогах целевых сайтов.Понимание того, насколько негативно или позитивно люди реагируют на произведенный товар или услугу, позволяет оценивать будущую успешность продаж на рынке, а также анализировать качество проведенных PRкомпаний.Многим крупным производителям необходимо бывает оценивать, как их бренд воспринимается потребителями.Анализ тональности текста также можно активно использовать при определении отношения населения к различным проводимым правительством реформам или мнения электората по поводу того или иного кандидата в руководящую должность.Таким образом, анализ тональности текстов -мощнейший инструмент в руках ученых, бизнесменов и политиков. МетодыМетоды машинного обучения рассматривают анализ тональности как задачу классификации текста.В этих методах извлекаются такие функции, как униграммы, биграммы, вложения слов сначала из текста, или векторизуются слова, а затем документы, Элементы передаются в такие модели классификации, как SVM, деревья решений или глубокие нейронные сети (CNN, RNN).Точность классификации сильно зависит от размера и «качества» обучающей выборки данных.В данной статье упор делается на методы машинного обучения с учителем [3].
Language: English
Open Access status: bronze
OpenAlex ID: W2990236334
FWCI: 0.163
Cites: 11
Cited by: 2
Related to: 10