Элементы искусственного интеллекта в решении задач анализа текстов
- Авторы: Катермина Т.С.1, Тагиров К.М.1, Тагиров Т.М.1
-
Учреждения:
- Нижневартовский государственный университет»
- Выпуск: Том 9, № 2 (2022)
- Страницы: 35-44
- Раздел: Статьи
- URL: https://journals.eco-vector.com/2313-223X/article/view/529849
- DOI: https://doi.org/10.33693/2313-223X-2022-9-2-35-44
- ID: 529849
Цитировать
Полный текст
Открытый доступ
Доступ предоставлен
Доступ платный или только для подписчиков
Аннотация
В связи с постоянно растущим объемом текстовой информации в интернете и потребностью в ней ориентироваться, становиться актуальным автоматизация процесса анализа текста. Анализ предметной области показал большой интерес к определению эмоциональной окраски текстовой информации и применению трудов по этой проблеме в различных областях экономики. В работе рассматривается разработка модели нейронной сети для анализа тональности сообщений в социальных сетях сети Интернет. Для решения поставленной цели используются модели рекуррентных нейронных сетей с модулями долгой краткосрочной памятью (LSTM). Разработана информационная система, которая определяет тональность комментариев к постам в сообществах социальной сети «ВКонтакте». В результате обучения искусственной нейронной сети, модель показала хорошую точность определения тональности текста. Информационная система внедрена в отдел маркетинга Бюджетного учреждения Нижневартовского строительного колледжа.
Полный текст
Об авторах
Татьяна Сергеевна Катермина
Нижневартовский государственный университет»
Email: nggu-lib@mail.ru
кандидат технических наук; доцент кафедры информатики и методики преподавания информатики Нижневартовск, Российская Федерация
Кадир Межвединович Тагиров
Нижневартовский государственный университет»
Email: kadir.tagirov1997@gmail.com
магистр; преподаватель Нижневартовск, Российская Федерация
Тагир Межвединович Тагиров
Нижневартовский государственный университет»
Email: agirov97bocman@gmail.com
магистр; преподаватель Нижневартовск, Российская Федерация
Список литературы
- Abbasi A., Javed A.R., Iqbal F. et al. Authorship identification using ensemble learning. Scientific Reports. 2022. No. 12 (1). doi: 10.1038/s41598-022-13690-4.
- Alibasic A., Upadhyay H., Simsekler M.C.E. et al. Evaluation of the trends in jobs and skill-sets using data analytics: A case study. Journal of Big Data. 2022. No. 9 (1). doi: 10.1186/s40537-022-00576-5.
- Lee C.K.M., Kam K.H. Ng, Chun-Hsien Chen et al. Tiffany Tsoi, American sign language recognition and training method with recurrent neural network. Expert Systems with Applications. 2021. Vol. 167.
- Khurshid S., Reeder C., Harrington L.X. et al. Cohort design and natural language processing to reduce bias in electronic health records research. Npj Digital Medicine. 2022. Vol. 5. No. 47. URL: https://doi.org/10.1038/s41746-022-00590-0
- Ledro C., Nosella A., Vinelli A. Artificial intelligence in customer relationship management: Literature review and future research directions. Journal of Business and Industrial Marketing. 2022. No. 37 (13). Pp. 48-63. doi: 10.1108/JBIM-07-2021-0332.
- Li S., Wang G., Luo Y. Tone of language, financial disclosure, and earnings management: A textual analysis of form 20-F. Financial Innovation. 2022. No. 8 (1). doi: 10.1186/s40854-022-00346-5.
- Luo Z., Zhu M. Recurrent neural networks with mixed hierarchical structures for natural language processing.International Joint Conference on Neural Networks (IJCNN). 2021. Pp. 1-8. doi: 10.1109/IJCNN52387.2021.9533347.
- Mohd Usama, Belal Ahmad, Enmin Song et al. Attention-based sentiment analysis using convolutional and recurrent neural network. Future Generation Computer Systems. 2020. Pp. 571-578.
- Nijhawan T., Attigeri G., Ananthakrishna T. Stress detection using natural language processing and machine learning over social interactions. Journal of Big Data. 2022. No. 9 (1). doi: 10.1186/s40537-022-00575-6.
- Orea-Giner A., Fuentes-Moraleda L., Villacé-Molinero T. et al. Does the implementation of robots in hotels influence the overall tripadvisor rating? A text mining analysis from the Industry 5.0 approach. Tourism Management. 2022. No. 93. doi: 10.1016/j.tourman.2022.104586.
- Riezler S., Hagmann M. Validity, reliability, and significance: Empirical methods for NLP and data science. Synthesis Lectures on Human Language Technologies. 2022. No. 14 (6). Pp. 1-147. doi: 10.2200/S01137ED1V01Y202110HLT055.
- Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Physica D: Nonlinear Phenomena. 2020. Vol. 404.
- Turner R.J., Coenen F., Roelofs F. et al. Information extraction from free text for aiding transdiagnostic psychiatry: Constructing NLP pipelines tailored to clinicians’ needs. BMC Psychiatry. 2022. No. 22 (1). doi: 10.1186/s12888-022-04058-z.
- Dankers V., Langedijk A., McCurdy K. et al. Generalising to German plural noun classes, from the perspective of a recurrent neural network. Proceedings of the 25th Conference on Computational Natural Language Learning. 2021. Pp. 94-108.
- Zhang T., Schoene A.M., Ji S., Ananiadou S. Natural language processing applied to mental illness detection: A narrative review. Npj Digital Medicine. 2022. No. 5 (1). doi: 10.1038/s41746-022-00589-7.
Дополнительные файлы
