2518-1092Научный результат. Информационные технологии2518-109210.18413/2518-1092-2021-6-1-0-72376ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ПРИНЯТИЕ РЕШЕНИЙАНАЛИЗ ТОНАЛЬНОСТИ ТЕКСТА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯSENTIMENT ANALYSIS OF TEXT BY MACHINE LEARNING METHODSСамигулинТимур РуслановичSamigulinTimur Ruslanovichtimursamigulin98@gmail.comДжурабаевАнвар Эркин углиDjurabaevAnvar Erkin uglianvar19971403@gmail.com20216100

В современном мире накоплено гигантское количество информации. Одной из наиболее распространенных форм хранения информации являются тексты на естественном языке. Из-за необходимости анализа больших массивов текстовых данных получило развитие направление обработки текста на естественном языке (NLP – Natural Language Processing). Анализ тональности в тексте является одним из основных направлений раздела обработки текста на естественном языке. В статье рассматриваются основные методы и подходы к задаче анализа тональности текста на естественном языке. Дается краткая характеристика используемым на практике методам традиционного машинного обучения, а также методам глубокого обучения. По результатам данной статьи определены наиболее результативные методы анализа тональности

There is a gigantic amount of information in the world. One of the most common forms of information storage is natural language texts. For the analysis of gigantic arrays of text data, the direction of natural language processing has been developed. Sentiment analysis in text is one of the main areas of the natural language processing section. The article discusses the main methods and approaches to the problem of analyzing the sentiment of a text in a natural language. A brief description of the traditional machine learning methods and deep learning methods used in practice is given. Based on the results of this article, the most effective methods of sentiment analysis have been identified

анализ текста на естественном языкеанализ тональностимашинное обучениеглубокое обучениеискусственные нейронные сетиnatural language texts analysissentiment analysismachine learningdeep learningartificial neural networksСписок литературыТрофимова Е.В., Туральчук К.А. Разработка рекомендательной системы на основе анализа тональности текста // Актуальные проблемы гуманитарных и естественных наук. – 2015. – №1. – С. 93-94.Пазельская А.Г., Соловьев А.Н. Метод определения эмоций в текстах на русском языке // Компьютерная лингвистика и интеллектуальные технологии: cб. научных статей. Вып. 10 (17). – М.: Изд-во РГГУ, 2011. – С. 510–522.Котельников Е.В., Клековкина М.В. Автоматический анализ тональности текстов на основе методов машинного обучения //Программный комитет конференции выражает искреннюю благодарность Российскому фонду фундаментальных исследований за финансовую поддержку, грант № 12-06-06045-г. – 2012. – С. 27.Ермаков П.Д., Федянин Р.В. Исследование методов машинного обучения в задаче автоматического определения тональности текстов на естественном языке // Новые информационные технологии в автоматизированных системах. – 2015. – №18. URL: https://cyberleninka.ru/article/n/issledovanie-metodov-mashinnogo-obucheniya-v-zadache-avtomaticheskogo-opredeleniya-tonalnosti-tekstov-na-estestvennom-yazykeПескишева Т.А. Методы анализа тональности текстов на естественном языке // Общество. Наука. Инновации (НПК-2017). – 2017. – С. 1730-1742.Кудинов М.С. Статистическое моделирование русского языка с помощью нейронных сетей:Дис. д-ра тех. наук. М., – 2016. – 106 с.Тарасов Д. Глубокие рекуррентные нейронные сети для аспектно-ориентированного анализа тональности отзывов пользователей на различных языках // По материалам ежегодной Международной конференции «Диалог. – 2015. – №. 14. – С. 21.Shelke N., Deshpande S., and Thakare V. ‘‘Domain independent approach for aspect-oriented sentiment analysis for product reviews’’ in Proc. 5th Int. Conf. Frontiers Intell. Comput., Theory Appl., Singapore, Mar. 2017, pp. 651–659.Sharma U., Datta R.K., and Pabreja K. ‘‘Sentiment analysis and prediction of election results 2018’’ in Social Networking and Computational Intelligence, R.K. Shukla, J. Agrawal, S. Sharma, N.S. Chaudhari, and K.K. Shukla, Eds. Singapore: Springer, 2020, pp. 727–739.Iacus S., Porro G., Salini S., and Siletti E., ‘‘An Italian composite subjective well-being index: The voice of Twitter users from 2012 to 2017,’’ Social Indicators Res., vol. 149, pp. 1–19, 2020.Carosia A.E.O., Coelho G.P., and Silva A.E.A. ‘‘Analyzing the Brazilian financial market through portuguese sentiment analysis in social media’’ Appl. Artif. Intell., Vol. – 34. – No. 1. – Pp. 1–19. Jan. 2020.Kumar A., Srinivasan K., Cheng W.-H., and Zomaya A.Y. ‘‘Hybrid context enriched deep learning model for fine-grained sentiment analysis in textual and visual semiotic modality social data’’ Inf. Process. Manage., vol. 57, no. 1, Jan. 2020, Art. no. 102141. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0306457319306934Schütze H., Manning C.D., and Raghavan P., Introduction to Information Retrieval, vol. 39. Cambridge, U.K.: Cambridge Univ. Press, 2008.Medhat W., Hassan A., Korashy H. Sentiment analysis algorithms and applications: A survey // Ain Shams engineering journal. – 2014. – Т. 5. – №. 4. – P. 1093-1113.Quinlan J.R. ‘‘Induction of decision trees’’ Mach. Learn., vol. 1, no. 1, pp. 81–106, 1986.Chin Chen Chien, Tseng You-De. Quality evaluation of product reviews using an information quality framework. Decis Support Syst 2011; 50: 755–68.Vapnik V. Statistical learning theory. New York: Wiley, 1998.Bengio Y. Learning deep architectures for AI // Foundations and Trends in Machine Learning, 2009.Kim Y. Convolutional neural networks for sentence classification. // In Proceedings of the 2014 Conference on EMNLP. – 2014.Zvonarev A. A Comparison of Machine Learning Methods of Sentiment Analysis Based on Russian Language Twitter Data. – 2019.Hasan A. et al. Machine learning-based sentiment analysis for twitter accounts //Mathematical and Computational Applications. – 2018. – Т. 23. – №. 1. – P. 11.Ahmad M. et al. Machine learning techniques for sentiment analysis: A review //Int. J. Multidiscip. Sci. Eng. – 2017. – Т. 8. – №. 3. – P. 27.Wang X., Jiang W., Luo Z. Combination of convolutional and recurrent neural network for sentiment analysis of short texts //Proceedings of COLING 2016, the 26th international conference on computational linguistics: Technical papers. – 2016. – P. 2428-2437.