Анализ тональности отзывов с помощью методов машинного обучения

М. А. Верхотуров; Г. Н. Верхотурова; Е. М. Челышкина

Информационные технологии интеллектуальной поддержки принятия решений, Информационные технологии интеллектуальной поддержки принятия решений 2024

М. А. Верхотуров, Г. Н. Верхотурова, Е. М. Челышкина

Изменена: 2025-02-28

Аннотация

В работе рассматривается проблема проведения анализа тональности текста (сентимент-анализа) при оценке отзывов клиентов в таких областях, как экономика, менеджмент, маркетинг, политология. Особенностью задачи является то, что точность оценки тональности напрямую зависит от конкретного языка и его особенностей. Для решения данной проблемы использовался подход с использованием искусственных нейронных сетей. В статье описана разработанная модель нейронной сети, ее архитектура и гиперпараметры, используемые инструментальные средства, примеры работы программного обеспечения, а также результаты вычислительного эксперимента

Ключевые слова

тональность текста; сентимент-анализ; рекуррентная нейронная сеть; токенизация; лемматизация.

Литература

1. Digital-First Customer Experience Report [Электронный ресурс] / NICE CXone. – 2022. – URL: https://get.nice.com/Digital-CX-Research-Report.html (дата обращения: 18.04.2024).

2. Rosa, R. L. Music recommendation system based on user's sentiments extracted from social networks / R. L. Rosa, D. Z. Rodriguez and G. Bressan. – IEEE Transactions on Consumer Electronics, 2015. – Vol. 61,3. – Pp. 359-367. – DOI: 10.1109/TCE.2015.7298296.

3. Семина Т.А. Анализ тональности текста: современные подходы и существующие проблемы [Электронный ресурс] / Семина Т.А. – Социальные и гуманитарные науки. Отечественная и зарубежная литература. Сер. 6, Языкознание: Реферативный журнал, 2020. – №4. – URL: https://cyberleninka.ru/article/n/analiz-tonalnosti-tekstasovremennye-podhody-i-suschestvuyuschie-problemy (дата обращения: 15.04.2024).

4. Двойникова, А.А. Аналитический обзор подходов к распознаванию тональности русскоязычных текстовых данных [Электронный ресурс] / Двойникова А.А., Карпов А.А. – Информационноуправляющие системы, 2020. – №4 (107). – URL: https://cyberleninka.ru/article/n/analiticheskiy-obzorpodhodov-k-raspoznavaniyu-tonalnostirusskoyazychnyh-tekstovyh-dannyh (дата обращения: 15.04.2024).

5. Wankhade, M. A survey on sentiment analysis methods, applications, and challenges [Электронный ресурс] / Wankhade, M., Rao, A.C.S. & Kulkarni, C. – Artificial Intelligence Review, 2022. – 55, 5731–5780. – URL: https://doi.org/10.1007/s10462-022-10144-1 (дата обращения: 17.04.2024

6. More than a Feeling: Accuracy and Application of Sentiment Analysis [Электронный ресурс] / Hartmann J., Heitmann M., Siebert C., Schamp C. – International Journal of Research in Marketing, 2023. – Vol. 40, 1. – Pp. 75-87. – ISSN 0167-8116. – URL: https://doi.org/10.1016/j.ijresmar.2022.05.005 (дата обращения: 17.04.2024).

7. Language models are few-shot learners / Brown T., Mann B., Ryder N., Subbiah M., Kaplan J.D., Dhariwal P., Neelakantan A., Shyam P., Sastry G., Askell A. and Agarwal S. – Advances in neural information processing systems. 2020. – No. 33. – Pp. 1877-1901.

8. Краснов, Ф.В. Анализ тональности текста научнопрактических статей по нефтегазовой тематике с помощью искусственных нейронных сетей [Электронный ресурс] / Краснов Ф.В. – Вестник Евразийской науки, 2018. – №3. – URL: https:// esj.today/PDF/43ITVN318.pdf (дата обращения: 15.04.2024).

9. ИТМО: Рекуррентные нейронные сети [Электронный ресурс] / Викиконспекты. – 2024. – URL: https://neerc.ifmo.ru/wiki/index.php?title= Рекуррентные_нейронные_сети (дата обращения: 16.04.2024).

10. C. Olah. Understanding LSTM Networks. [Электронный ресурс] / C. Olah. – 2015. – URL: http:// colah.github.io/posts/2015-08-Understanding-LSTMs.

11.A Comparison of Commercial Sentiment Analysis Services [Электронный ресурс] / Ermakova T., Fabian B., Golimblevskaia E., Henke M. – SN COMPUT. SCI., 2023. – Vol. 4, 477. – URL: https://doi.org/10.1007/s42979-023-01886-y (дата обращения: 15.04.2024).

12. Brand Analytics : официальный сайт. – Москва, 2012. – URL: https://brandanalytics.ru/brandanalytics/ (дата обращения: 16.04.2024).

13. Айтеко : официальный сайт. – Москва. — URL: https://www.i-teco.ru/(дата обращения: 16.04.2024).

14. Ain Balqis Md Nor Basmmi. Comparison of Web Services for Sentiment Analysis in Social Networking Sites / Ain Balqis Md Nor Basmmi, Shahliza Abd Halim, Nor Azizah Saadon. – IOP Conference Series: Materials Science and Engineering, 2020. – 884. 012063. – DOI 10.1088/1757-899X/884/1/012063.

15. MonkeyLearn : официальный сайт. – 2024. – URL: https://monkeylearn.com/ (дата обращения: 16.04.2024).

16. The Digital Home of Dr. Daniel Soper : официальный сайт. – 2004. – URL: https://www.danielsoper.com/default.aspx (дата обращения: 16.04.2024).

17.Cui, J. Survey on sentiment analysis: evolution of research methods and topics [Электронный ресурс] / Cui, J., Wang, Z., Ho, S. B., & Cambria, E. – Artificial intelligence review, 2023. – Pp. 1–42. – URL: https:// doi.org/10.1007/s10462-022- 10386-z (дата обращения: 17.04.2024).

Полный текст: PDF