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].
Source: CONFERENCE MATERIALS
Authors: A.I. Ahmetgaliev, F.M. Gafarov, F.B. Sitdikova
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Keywords: text sentiment analysis, word embeddings, Word2Vec, gloves, FastText, recurrent neural networks, convolutional neural networks, multilayer perceptron, document classification, Russian texts, tweets, product reviews, news articles, classifier comparison, emotion lexicon, sentiment analysis, spam detection, spam filtering, spam classification
Open Access status: bronze
OpenAlex ID: W2990236334
