СЕНТИМЕНТ АНАЛІЗ ЗАСОБАМИ НЕЙРОННОЇ МЕРЕЖІ

Автор(и)

  • Катерина Ялова Дніпровський державний технічний університет, Україна
  • Ксенія Яшина Дніпровський державний технічний університет, Україна
  • Тетяна Говорущенко Хмельницький національний університет, Україна
  • Олександр Тарасюк Дніпровський державний технічний університет, Україна

DOI:

https://doi.org/10.31319/2519-8106.1(44)2021.235906

Ключові слова:

сентимент аналіз; двонаправлена нейронна мережа з довгою короткотривалою пам’яттю; умовно випадкові поля, sentimental analysis; bidirectional long short term neural network; conditional random fields

Анотація

У статті здійснено постановку завдання аналізу тональності вхідної текстової інформації, яке відноситься до розділу прикладної лінгвістики та обробки природньої мови. Розроблено двонаправлену нейронну мережу з довгою короткотривалою пам’яттю для розв’язання завдання сентимент аналізу. Обґрунтовано доцільність застосування додаткового шару для нейронної мережі з умовно випадковими полями. Для проведення навчання нейронної мережі застосовано корпус текстових повідомлень з соціальної мережі. Описано результати навчання, валідації та тестування розробленої нейронної мережі. Для оцінювання якості розпізнавання сентиментів застосовано метрики повноти (precision), точності (recall) та збалансованої міри F1. Найкращі значення розпізнавання на тестовому наборі даних були отримані для позитивного сентименту і склали precision = 61,92 %, recall = 69,21 %, F1 = 65,36 %.

Посилання

Shynhalov, D.A., Meleshko, E.V., Minaylenko, R.N., Resnichenko, V.A. (2017). Metody avtomatychnoho analizu tonalnosti kontentu u sotsialnykh merezhakh dlia vyiavlennia informatsiino-psykholohichnykh vplyviv. [Methods of automated sentiment analysis on social networks]. Tsentralnoukrainskyi Naukovyi Visnyk – Central Ukrainian scientific bulletin, 30, 196–202 [in Ukrainian].

Pavaloaia, V.D., Teodor, E.M., Fotache, D., Danilet, M. (2019). Opinion mining on social me-dia data sentiment analysis of user preferences. Sustainability. 11 (4459), 1–21. [in English].

Baracho, R.M., Bax, M., Ferreira, L.G., Silva, G.C. (2012). Sentiment analysis in social net-works. Sentiment analysis and opinion mining, 1, 115–125. [in English].

Mantyla, M., Graziotin, D., Kuutila, M. (2018). The evolution of sentiment analysis – a re-view of research topics, venues and top cited paper. Computer science review, 27, 16–32. [in English].

Khaled, A., Neamat, E.T., Ahmad, H.H. (2015). Sentiment analysis over social networks: an overview. Proceedings from International conference in Systems, man and cybernetics. (pp. 2174–2179). Hong Kong. [in English].

Xu, G., Meng, Y., Qiu, X., Yu, Z. (2019). Sentiment analysis of comment texts based on BiLSTM. IEEE JOUR, 522–532. [in English].

Hammed, Z., Garcia-Zapirian, B. (2020). Sentiment classification using a single-layered BiLSTM model. IEEE. Computer science, 8, 1–10. [in English].

Huang, Y., Jiang, Y., Hasan, T., Jiang, Q., Li, C. (2018). A topic BiLSTM model for sen-timent classification. Proceedings from: 2nd International Conference on Innovation in Artificial Intelligence. (pp. 143–147). Shanghai. [in English].

Chen, Т., Xu, R., He, Y., Wang, Y. (2017). Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN. Expert systems with application, 72, 221–230. [in English].

Miao, Y.L., Cheng, W.F., Ji, Y.C., Zhang, S., Kong, Y.L. (2021). Aspect-based sentiment analysis in Chinese based on mobile reviews for BiLSTM-CRF. Journal of intelligent and fuzzy systems, 41, 1–11. [in English].

Darchuk, N. (2019). Linhvistychni zasady avtomatychnoho sentyment analizu ukrainskomovnoho tekstu [Linguistic approach for development of computer-based sentiment analysis in the Ukrainian language]. Science and education a new dimension, 189, 10–13. [in Ukrainian].

Nemesh, О., Romaniuk, А., Tesliuk, V. (2015). Analiz tonalnosti tekstu osnovni poniattia ta pryklady zastosuvannia [Sentiment analysis: basic concepts and application examples]. Pro-ceedings from: Mizhnarodna naukovo-praktychna konferentsiia «Luiduna. Kompiuter. Komuni-kaciya» – International scientific and practical conference «Human, computers and communi-cation». (pp. 47–49). Lviv. [in Ukrainian].

Ivanov, E.M., Kovalenko, S.V. (2017). Rozrobka web-dodatka dlia analizu tonalnosti tekstovoi informatsii [Web-based application for text information sentiment analyze]. Informatsiini tekhnolohii: nauka, tekhnika, tekhnolohiia, osvita, zdorovia – Information technologies: science, technology, education, health, 1, 18–19. [in Ukrainian].

Shaxovska, N.B., Hirak, X.Yu. (2017). Shkaliuvannia emotsiino zabarvlenykh sliv dlia vyko-rystannia u metodakh klasyfikatsii tonalnosti [Locating emotionally colored words for use in sentiment classification methods]. Visnyk Natsionalnoho Universytetu «Lvivska Politekhnika» – Journal of Lviv Politechnic national university, 872 (1), 195–203. [in Ukrainian].

Olashyn, O., Shypik, D. (2016). Porivniannia tochnosti alhorytmiv analizu tonalnosti na prykladi tvittiv [Comparison of accuracy of sentiment analysis algorithm on Twitter messag-es]. Mizhnarodnyi naykovyi zhurnal – International scientific journal, 5, 107–109. [in Ukrai-nian].

Шингалов Д.А., Мелешко Е.В., Минайленко Р.Н., Резниченко В.А. Методи автоматичного аналізу тональності контенту у соціальних мережах для виявлення інформаційно-психологічних впливів. Центральноукраїнський науковий вісник. 2017. № 30. С. 196–202.

Pavaloaia V.D., Teodor E.M., Fotache D., Danilet M. Opinion mining on social media data sentiment analysis of user preferences. Sustainability. 2019. Vol. 11. № 4459. P. 1–21.

Baracho R.M., Bax M., Ferreira L.G., Silva G.C. Sentiment analysis in social networks. Sentiment analysis and opinion mining. 2012. № 1. P. 115–125.

Mantyla M., Graziotin D., Kuutila M. The evolution of sentiment analysis — a review of research topics, venues and top cited paper. Computer science review. 2018. № 27. P. 16–32.

Khaled A., Neamat E.T., Ahmad H.H. Sentiment analysis over social networks: an overview. International сonference in Systems, man and cybernetics: Proceedings, Hong Kong, 9-12 Oct. 2015. P. 2174–2179.

Xu G., Meng Y., Qiu X., Yu Z. Sentiment analysis of comment texts based on BiLSTM. IEEE JOUR. 2019. P. 522–532.

Hammed Z., Garcia-Zapirian B. Sentiment classification using a single-layered BiLSTM model. IEEE. Computer science. 2020. № 8. P. 1–10.

Huang Y., Jiang Y., Hasan T., Jiang Q., Li C. A topic BiLSTM model for sentiment classification. 2nd International Conference on Innovation in Artificial Intelligence: Proceedings, Shanghai, 9-12 March 2018. P. 143–147.

Chen Т., Xu R, He Y., Wang Y. Improving sentiment analysis via sentence type classification using BiLSTM-CRF and CNN. Expert systems with application. 2017. № 72. P. 221–230.

Miao Y.L., Cheng W.F., Ji Y.C., Zhang S., Kong Y.L. Aspect-based sentiment analysis in Chinese based on mobile reviews for BiLSTM-CRF. Journal of intelligent and fuzzy systems. 2021. № 41. P. 1–11.

Дарчук Н. Лінгвістичні засади автоматичного сентимент аналізу українськомовного тексту. Science and education a new dimension. 2019. № 189. С. 10–13.

Немеш О., Романюк А., Теслюк В. Аналіз тональності тексту: основні поняття та приклади застосування. Людина, комп’ютер, комунікації: зб. тез доп. міжнар. наук.-практ. конф., м. Львів, квіт. 2015 р. Львів, 2015. С. 47–49.

Іванов Є.М., Коваленко С.В. Розробка web-додатка для аналізу тональності текстової інфор-мації. Інформаційні технології: наука, техніка, технологія, освіта, здоров’я. 2017. Ч. 1. С. 18–19.

Шаховська Н.Б., Гірак Х.Ю. Шкалювання емоційно забарвлених слів для використання у методах класифікації тональності. Вісник Національного університету «Львівська політех-ніка». 2017. № 872(1). С. 195–203.

Олашин О.О., Шипік Д.В., Порівняння точності алгоритмів аналізу тональності на прикладі твіттів. 2016. Міжнародний науковий журнал. № 5. С. 107–109.

##submission.downloads##

Опубліковано

2021-07-01

Номер

Розділ

Статті