📄Работа №124459

Тема: Лингвистические средства выражения мнений в потребительских отзывах (на примере системы Яндекс.Маркет)

Характеристики работы

Тип работы Дипломные работы, ВКР
Лингвистика
Предмет Лингвистика
📄
Объем: 90 листов
📅
Год: 2021
👁️
Просмотров: 220
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
ℹ️ Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.

📋 Содержание

Введение 4
Глава I. Изучение оценочной лексики потребительских отзывов в контексте анализа тональности. 6
1.1. Отзыв на товар как фактор, влияющий на потребительский выбор в условиях современного общества. 6
1.1.1 История появления отзывов 6
1.1.2 Жанровые особенности интернет-отзыва 7
1.1.3 Отзыв как фактор, влияющий на потребительский выбор 9
1.2. Анализ тональности как инструмент извлечения мнений из неструктурированных текстов. 11
1.2.1. История становления анализа тональности 11
1.2.2. Понятие мнения в анализе тональности 13
1.2.3. Три уровня анализа тональности: уровень документа, уровень предложения, уровень объекта и его аспектов 14
1.3. Подходы к определению тональности текстов и соревнования по анализу тональности 15
1.3.1. Подходы к определению тональности текстов 15
1.3.2. Подходы к извлечению аспектов 19
1.3.3. Соревнования по анализу тональности 25
Глава II. Теоретические основы изучения потребительского поведения. 29
2.1. Понятие потребительских товаров, их номенклатура и основные свойства. 29
2.1.1. Сущность основных понятий, связанных с вопросом изучения потребительского поведения. 29
2.1.2. Номенклатура потребительских товаров 32
2.2. Мультиатрибутивные модели товара в маркетинге и экономические модели поведения потребителя в 50-80-е годы XX века 34
2.2.1. Мультиатрибутивные модели товаров в маркетинге 34
2.2.2. Потребительские свойства товаров народного потребления в советских ГОСТах 39
2.3. Поведенческая экономика как альтернатива модели рационального выбора 45
Глава III. Эксперименты по автоматическому извлечению аспектов и определению контекстов параметрических прилагательных. 55
3.1. Материал исследования 55
3.2. Подход к автоматическому извлечению аспектов 56
3.3. Автоматическое определение контекстов употребления параметрических прилагательных 64
Заключение 79
Список литературы 80

📖 Введение

Применения языка, на котором говорят люди, очень многообразны. Одним из таких применений является выражение оценок и мнений по поводу каких-либо вещей, людей, событий, фактов. В последние десятилетия мы наблюдаем быстрое развитие интернета, в том числе его русскоязычного сегмента. В своей повседневной жизни мы каждый день сталкиваемся с различными оценками и мнениями: читаем отзывы перед покупкой чего-либо, ставим отметки «нравится» и «не нравится», пишем комментарии, читаем новости. Нас окружает мир рейтингов и мнений. Современное общество в значительной степени подвержено оценочной деятельности как в культуре, так и в дискурсе. Это явление получило очень широкое распространение, вследствие чего появилась необходимость тщательного его исследования.
Исследованиями в области анализа оценок и мнений занимаются разные науки: от философии и аксиологии до психологии, политологии и лингвистики. В лингвистике сформировалась отдельная область, занимающаяся изучением мнений, получившая название анализ тональности. Двумя основными задачами этой области являются автоматическое определение тональности и извлечение аспектов. Анализ тональности бурно развивается, ежегодно публикуется огромное количество работ в этой области. Однако, ввиду обширности проблемной области в ней существует большое количество нерешенных задач и слабо изученных тем. Одной из таких тем является изучение потребительских мнений в отзывах на товары на русском языке. Обзор работ по этой теме представлен в работе [Большакова, 2017].
Задачи определения тональности и извлечения аспектов для потребительских отзывов на русском языке решены не в полной мере. В частности, не решена задача структурной организации аспектов, определения тональности в отношении к определенным аспектам. Решение данных задач позволит извлекать более детальную информацию о каждом аспекте и определять полярность, связанную с каждым аспектом. Сложность решения данных задач заключается в том, что список аспектов не известен заранее, к тому же аспекты сильно меняются в зависимости от предметной области.
В данной работе мы предлагаем комплексный подход к изучению аспектов и отношений между ними. В связи с задачей определения тональности в отношении к определенным аспектам мы изучаем проблему изменения полярности параметрических прилагательных в зависимости от их отношения к аспектам. В качестве материала для исследования использовался корпус из 41913 отзывов (4 739 010 словоупотреблений) на 28 категорий товаров, собранных с ресурса Яндекс.Маркет.
Выпускная квалификационной работа организована следующим образом: первая глава посвящена характеристике отзыва как особого жанра текста, также в ней обсуждаются общие вопросы анализа тональности; во второй главе рассматриваются теоретические основы изучения потребительского поведения, мультиатрибутивные модели товаров, связи между атрибутами, формулируется гипотеза, что структура аспектов и связей между ними соответствует структуре атрибутов товара, которые воспринимает потребитель; третья глава посвящена экспериментам по извлечению аспектов и определению контекстов параметрических прилагательных; в заключении мы приводим основные результаты работы и определяем дальнейшие направления исследований.
Апробация исследования: основные положения исследования и полученные результаты были представлены в докладах и в дальнейшем опубликованы в трудах26-й международной конференции Ассоциации открытых инноваций FRUCT и семинара «ComputationalModelsinLanguageandSpeech» в рамках XVI международной конференции по компьютерной и когнитивной лингвистике TEL 2020.

Возникли сложности?

Нужна качественная помощь преподавателя?

👨‍🎓 Помощь в написании

✅ Заключение

Таким образом, данная работа посвящена изучению мнений в потребительских отзывах. В работе был предложен подход к автоматическому извлечению аспектов с использованием алгоритма машинного обучения «Дерево решений», для обучения которого в качестве признаков были использованы морфологические и синтаксические теги, частоты слов и номера кластеров векторных представлений слов. Этот метод показал хорошую точность и полноту как для одной предметной области, так и при переносе на другую.
В связи с задачей определения тональности в отношении к определенным аспектам мы изучили проблему изменения полярности параметрических прилагательных в зависимости от их отношения к аспектам. В качестве материала для исследования был подготовлен и использовался корпус из 41913 отзывов (4 739 010 словоупотреблений) на 28 категорий товаров, собранных с ресурса Яндекс.Маркет.
Кроме того, в работе было показано, что многие идеи, возникшие в маркетинге и экономике в XX-XXIвеке, в некоторой мере перекликаются с базовыми представлениями анализа тональности. В ходе анализа теоретического материала была сформулирована гипотеза, что результаты маркетинговых и экономических исследований могут быть полезны при решении сложных задач аспектного анализа тональности. В частности, потребительские свойства и показатели качества потребительских товаров, представленные в ГОСТах, маркетинговые мультиатрибутивные модели товаров и модели потребительского выбора могут быть использованы при экспертном составлении списков тематических классов аспектов и для иерархической организации аспектов.
Дальнейшим направлением исследований является проверка гипотезы, сформулированной во второй главе. Такой проверкой могла бы стать работа по автоматическому извлечению и организации аспектов в виде графа, которая планируется нами в ближайшем будущем.

Нужна своя уникальная работа?
Срочная разработка под ваши требования
Рассчитать стоимость
ИЛИ

📕 Список литературы

1. Азоев Г.Л. и др. Маркетинг: Словарь. -М: Экономика, 1999. 357 с.
2. Большакова Е.И., Воронцов К.В., Ефремова Н.Э.,Клышинский Э.С., Лукашевич Н.В., Сапин А.С.Автоматическая обработка текстов на естественном языке и анализ данных: учеб. Пособие. - М.: Изд-во НИУ ВШЭ, 2017. 269 с.
3. Брунова Е. Г. и др. Особенности параметрической лексики при контент-анализе мнений // Филологические науки. Вопросы теории и практики. 2014. №. 12-1. С. 35-39.
4. Булгакова М. П. Оценочные дериваты параметрических прилагательных немецкого и французского языков в сопоставительном аспекте // Материалы ежегодной научной конференции преподавателей и аспирантов университета. – Минск: МГЛУ, 2018. С. 118-120.
5. Говорунова Л. Ю. Отзыв туриста как новый речевой жанр туристического интернет-дискурса // Вестник Челябинского государственного университета. 2013. № 1. C. 198-203.
6. Горошко Е. И., Жигалина Е. А. Виртуальное жанроведение: устоявшееся и спорное // Вопросы психолингвистики. 2010. № 12. С. 105-123.
7. ГОСТ Р 51303-2013. Торговля. Термины и определения. – Москва: Стандартинформ, 2014. – 20 с.
8. Дрогобыцкий И. Н. Поведенческая экономика: сущность и этапы становления // Стратегические решения и риск-менеджмент. 2018. № 1.
9. Еремина М. А. Речевой жанр отзыва в коммуникативном пространстве Интернета // Научный диалог. 2016. № 5 (53). С. 34-45.
10. Ефанова Л. Г. К вопросу о параметрических нормах // Вестник Томского государственного университета. Филология. 2013. №. 1 (21).
11. Ильин В.И. Поведение потребителей. –Спб: Питер. 2003. 232 с.
12. Кабашов С. Ю. Организация работы с обращениями граждан в истории России. Учебное пособие. – М.: Фелинта, 2016. 312 с.
13. Капелюшников Р. И. Поведенческая экономика и «новый» патернализм. Часть I //Вопросы экономики. 2013. №. 9. С. 66-90.
14. Кураков Л. П. Экономика и право: словарь-справочник. - М.: Вуз и школа. 2004.
15. Лукашевич Н. В., Левчик А. В. Создание лексикона оценочных слов русского языка РуСентилекс // Открытые семантические технологии проектирования интеллектуальных систем. 2016. № 6. С. 377-382.
16. Лукашевич Н. В., Четвёркин И. И. Комбинирование тезаурусных и корпусных знаний для извлечения оценочных слов // Системы и средства информатики. 2015. Т. 25. № 1. С. 20-33.
17. Мекшун Е. А., Боргардт Е. А. Формирование комплекса маркетинга для товаров промышленного назначения // Приоритетные научные направления: от теории к практике. 2013. №. 7. С. 164-174
18. Михеева С. Л. Параметрические прилагательные русского языка: антропоцентричность семантики и каузативный потенциал // Вестник Чувашского государственного педагогического университета им. ИЯ Яковлева. 2019. №. 3.
19. Погорелова И. В. Лингвосемиотический аспект интернет-отзыва // Филологические науки. Вопросы теории и практики. 2017. № 10. C. 149-151.
20. Письмо Минэкономики РФ N МЮ-636/14-151, Госкомстата РФ N 10-0-1/246 от 27.07.1993 "О Методических рекомендациях по отнесению промышленной и сельскохозяйственной продукции к товарам народного потребления" [Электронный ресурс].URL: http://www.consultant.ru/document/cons_doc_LAW_3988/ (дата обращения: 07.05.2021).
21. Постановление Министерства торговли республики Беларусь N 41 «О мерах по реализации постановления совета министров республики Беларусь» ОТ 23 декабря 2014 Г. N 1227 [Электронный ресурс].URL: http://www.centr-cen.by/upload/41.pdf (дата обращения: 07.05.2021).
22. Пузанова Ю. С. Параметрические прилагательные русского языка в онтогенезе // Автореф. диссертации канд. филол. наук. СПб. 2012.
23. Разъяснения о требованиях к оформлению книги отзывов и обращений в магазинах и кафе [Электронный ресурс].URL: http://59.rospotrebnadzor.ru/rss_all//asset_publisher/Kq6J/content/id/792576 (дата обращения: 07.05.2021).
24. РД 50-165-79 «Товары народного потребления. Выбор номенклатуры потребительских свойств и показателей качества. Основные положения» [Электронный ресурс].URL: https://ohranatruda.ru/upload/iblock/d77/4293762287.pdf (дата обращения: 07.05.2021).
25. Семенова С. Ю. О классе русских параметрических наречий // Компьютерная лингвистика и интеллектуальные технологии. 2014. С. 573-584.
26. Семина Т.А. Анализ тональности текста: современные подходы и существующие проблемы. // Социальные и гуманитарные науки. Отечественная и зарубежная литература. Сер. 6, Языкознание: Реферативный журнал. 2020. №. 4. С. 47-64.
27. Талер P. Новая поведенческая экономика. Почему люди нарушают правила традиционной экономики и как на этом заработать. -М.: Эксмо. 2018. 384 с.
28. Тимохина Г. С. Поведение потребителя: учеб. пособие. – Екатеринбург: Изд-во Урал. гос. экон. ун-та. 2015. Ч. 1. 138 с.
29. Топталов О. Принципы поведенческой экономики и как их применить в дизайне продукта [Электронный ресурс].URL: https://vc.ru/design/95772-principy-povedencheskoy-ekonomiki-i-kak-ih-primenit-v-dizayne-produkta (дата обращения: 07.05.2021).
30. Фокс К. Ф. А., Сагинова О. В. Эволюция маркетинговой мысли в СССР в период 1961–1991 гг.: от марксизма к маркетингу // Маркетинг и маркетинговые исследования. 2005. №. 4. С. 18-35.
31. Хохлова М. В. Глава 5. Анализ тональности // Прикладная и компьютерная лингвистика. – М.: Ленанд, 2016. С. 245-258.
32. Черемисина Т. Н. К вопросу о сущности потребительского рынка товаров как социально-экономической подсистемы региона // Социально-экономические явления и процессы. 2013. №. 2 (048).
33. Шрамм А. Н. Очерки по семантике качественных прилагательных: на материале соврем. рус. яз. – Изд-во ЛГУ. 1979.
34. Шуматова Т. В. Книга отзывов и предложений как явление естественной письменной русской речи: жанровый аспект: диссертация на соискание ученой степени кандидата филологических наук. – Кемерово: Алтайская государственная педагогическая академия, 2012.
35. Яндекс.Маркет и GFK: треть населения России покупает в интернете [Электронный ресурс]. URL: https://market.yandex.ru/blog/yandeks-market-i-gfk-tret-naseleniya-rossii-pokupaet-v-internete (дата обращения: 07.05.2021).
36. Яндекс.Маркет подвёл итоги 2019 года [Электронный ресурс]. URL: https://market.yandex.ru/blog/yandeks-market-podvel-itogi-2019-goda (дата обращения: 07.05.2021).
37. Baccianella, S., Esuli, A., Sebastiani F. SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining // Proceedings of LREC-2010. Malta. Vol. 10. 2010. Pp. 2200-2204.
38. Cambria E. et al. SenticNet 4: A semantic resource for sentiment analysis based on conceptual primitives // Proceedings of COLING 2016, the 26th international conference on computational linguistics. 2016. Pp. 2666-2677.
39. Chetviorkin I., Braslavskiy P., and Loukachevich N. Sentiment analysis track at romip 2011. // Proceedings of International Conference Dialog, volume 2. 2012 pp 1–14.
40. Chetviorkin I., Loukachevich N. Sentiment analysis track at romip 2012. // Proceedings of International Conference Dialog, volume 2. 2013. pp 40–50.
41. CoNLL 2017 Shared Task[Электронный ресурс].
URL: http://universaldependencies.org/conll17/results.html
42. CoNLL 2018 Shared Task[Электронный ресурс].
URL: http://universaldependencies.org/conll18/results.html
43. CoNLL-UFormat [Электронный ресурс].
URL: https://universaldependencies.org/format.html
44. Das S., Chen M. Yahoo! for Amazon: Extracting market sentiment from stock message boards // Proceedings of the Asia Pacific finance association annual conference (APFA). 2001. Т. 35. pp. 43.
45. Dave K., Lawrence S., Pennock D. M. Mining the peanut gallery: Opinion extraction and semantic classification of product reviews // Proceedings of the 12th international conference on World Wide Web. 2003. pp. 519-528.
46. Decision Trees. [Электронный ресурс]. URL: https://scikit-learn.org/stable/modules/tree
47. DialogueEvaluation [Электронный ресурс]. URL: http://www.dialog-21.ru/evaluation/ (дата обращения: 07.05.2021).
48. Fishbein M. An investigation of the relationships between beliefs about an object and the attitude toward that object // Human relations. 1963. Т. 16. №. 3. Pp. 233-239.
49. Finn Årup Nielsen. A new ANEW: Evaluation of a word list for sentiment analysis in microblogs // Proceedings of the ESWC2011 Workshop on «Making Sense of Microposts»: Big things come in small packages. CEUR Workshop Proceedings. Vol. 718. 2011. Pp. 93-98.
50. Howard J. A. Consumer behavior: Application of theory. – McGraw-Hill Companies. 1977.
51. Johnson, Eric J., Amos Tversky. Representations of Perceptions of Risk // Journal of Experimental Psychology: General. 1984. Pp. 55-70.
52. Johnson M. D., Fornell C. The nature and methodological implications of the cognitive representation of products // Journal of Consumer Research. 1987. Т. 14. №. 2. Pp. 214-228.
53. Kahneman D., Egan P. Thinking, fast and slow. 2011.
54. Kahneman D., Tversky A. Prospect theory: An analysis of decision under risk // Handbook of the fundamentals of financial decision making: Part I. 2013. Pp. 99-127.
55. Keith, Robert J. The Marketing Revolution // Journal of Marketing. vol. 24, no. 3. 1960. Pp. 35–38
56. Kim S. et al. A hierarchical aspect-sentiment model for online reviews // Proceedings of the AAAI Conference on Artificial Intelligence. 2013. Т. 27.
57. Korobov, M. Morphological analyzer and generator for Russian and Ukrainian languages // International Conference on Analysis of Images, Social Networks and Texts, Yekaterinburg, 2015. Pp. 320-332
58. Kotler F. Marketing Management: Analysis, Planning, and Control. Prentice-Hall. 1967. 628 p.
59. Lancaster K. J. A new approach to consumer theory //Journal of political economy. 1966. Т. 74. №. 2. Pp. 132-157.
60. Liu B., Zhang L. A survey of opinion mining and sentiment analysis // Mining text data. Springer, Boston, MA. 2012. pp. 415-463.
61. Local Consumer Review Survey 2020 [Электронныйресурс]. URL: https://www.brightlocal.com/research/local-consumer-review-survey/
(дата обращения: 07.05.2021).
62. Loukachevitch N. et al. SentiRuEval: testing object-oriented sentiment analysis systems in Russian // Proceedings of International Conference Dialog. 2015. Т. 2. Pp. 3-13.
63. Loukachevitch N. V., Rubtsova Y. V. SentiRuEval-2016: overcoming time gap and data sparsity in tweet sentiment analysis // Computational Linguistics and Intellectual Technologies. 2016. Pp. 416-426.
64. Ma Y., Peng H., Cambria E. Targeted aspect-based sentiment analysis via embedding commonsense knowledge into an attentive LSTM // Proceedings of the AAAI Conference on Artificial Intelligence. 2018. Т. 32. №. 1.
65. Marstawi A. et al. Ontology-based aspect extraction for an improved sentiment analysis in summarization of product reviews // Proceedings of the 8th International Conference on Computer Modeling and Simulation. 2017. Pp. 100-104.
66. Mikolov, T., Chen, K., Corrado, G. and Dean, J. Efficient estimation of word representations in vector space // arXiv preprint arXiv:1301.3781. 2013.
67. Mukherjee A., Liu B. Aspect extraction through semi-supervised modeling //Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). – 2012. – С. 339-348.
68. Nasukawa T., Yi J. Sentiment analysis: Capturing favorability using natural language processing // Proceedings of the 2nd international conference on Knowledge capture. 2003. pp. 70-77.
69. Pang B., Lee L. Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval: Vol. 2: No. 1–2. 2008. pp 1-135.
70. Poria S., Cambria E., Gelbukh A. Aspect extraction for opinion mining with a deep convolutional neural network // Knowledge-Based Systems. – 2016. Т. 108. Pp. 42-49.
71. Rehurek, R. and Sojka, P. Software framework for topic modelling with large corpora // Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks, 2010.
72. Rosenberg M. J. Cognitive structure and attitudinal affect // The Journal of abnormal and social psychology. 1956. Т. 53. №. 3. Pp. 367.
73. Rubtsova Yu., Koshelnikov S.A. Extraction of aspects of goods and services from consumer’s reviews using Conditional Fields model // Russian Digital Libraries Journal. 2015. Pp. 203-221.
74. Saeidi M. et al. Sentihood: Targeted aspect based sentiment analysis dataset for urban neighbourhoods // arXiv preprint arXiv:1610.03771. – 2016.
75. SemEval-2014: Semantic Evaluation Exercises [Электронный ресурс]. URL: https://alt.qcri.org/semeval2014/index.php?id=tasks (дата обращения: 07.05.2021).
76. SemEval-2015: Semantic Evaluation Exercises [Электронный ресурс]. URL: https://alt.qcri.org/semeval2015/index.php?id=tasks (дата обращения: 07.05.2021).
77. SentiRuEval-2015. [Электронный ресурс]. URL:https://drive.google.com/open?id=0B7y8Oyhu03y_fjNIeEo3UFZObTVDQXBrSkNxOVlPaVAxNTJPR1Rpd2U1WEktUVNkcjd3Wms
78. Senarath Y., Jihan N., Ranathunga S. A Hybrid Approach for Aspect Extraction from Customer Reviews // International Journal on Advances in ICT for Emerging Regions. 2019. Т. 12. №. 1.
79. Steinberger, J., Ebrahim, M., Ehrmann, M., Hurriyetoglu, A., Kabadjov, M., Lenkova, P. &Zavarella, V. Creating sentiment dictionaries via triangulation. // Decision Support Systems. 53(4). 2012. Pp. 689-694.
80. Thaler R. H., Sunstein C. R. Libertarian paternalism // American economic review. 2003. Т. 93. №. 2. Pp. 175-179.
81. Thaler R. H., Sunstein C. R. Nudge: Improving decisions about health, wealth, and happiness. – Penguin, 2009.
82. Thaler R. Toward a positive theory of consumer choice // Journal of economic behavior & organization. 1980. Т. 1. №. 1. Pp. 39-60.
83. Tong R. M. An operational system for detecting and tracking opinions in on-line discussion // Working Notes of the ACM SIGIR 2001 Workshop on Operational Text Classification. 2001. Т. 1. №. 6.
84. Tversky A., Kahneman D. Judgment under uncertainty: Heuristics and biases // Science. 1974. Т. 185. №. 4157. Pp. 1124-1131.
85. Volkova, S., Wilson, T., &Yarowsky, D. Exploring sentiment in social media: Bootstrapping subjectivity clues from multilingual twitter streams. // Proceedings of the 51st Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers). Vol. 2. 2013. pp. 505-510.
86. Vuli´c I., Smet W., Moens M.-F. Cross-language information retrieval models based on latent topic models trained with document-aligned comparable corpora // Information Retrieval. 2012. Pp. 1–38.
87. Wallach H. M. Topic modeling: Beyond bag-of-words // Proceedings of the 23r International Conference on Machine Learning. ICML ’06. New York, NY, USA: ACM, 2006. Pp. 977–984.
88. Wiebe J.M., Tracking point of view in narrative // Computational Linguistics, vol. 20. 1994. pp. 233–287.
89. Wilson T., Wiebe J., Hoffmann P. Recognizing contextual polarity in phrase-level sentiment analysis // Proceedings of the conference on human language technology and empirical methods in natural language processing. Association for Computational Linguistics, 2005. P. 347-354.
90. Wu Y, Jin P.: Semeval-2010 task 18: disambiguating sentiment ambiguous adjectives. Lang Resour Eval.47(3):743–55.2010.
91. Xia, Y., Cambria, E., Hussain, A., & Zhao, H. Word Polarity Disambiguation Using Bayesian Model and Opinion-Level Features. Cognitive Computation. 2014. Pp. 369–380.
92. Xu R, Xu J, Kit C. HITSZ_CITYU: Combine collocation, context words and neighbor-ing sentence sentiment in sentiment adjectives disambiguation. Proceedings of the 5th international workshop on semantic evaluation., SemEval’10. Stroudsburg, PA, USA: Association for Computational Linguistics. 2010.
93. Yang SC, Liu MJ. YSC-DSAA: an approach to disambiguate sentiment ambiguous adjectives based on SAAOL. Proceedings of the 5th international workshop on semantic evaluation., SemEval’10. Stroudsburg, PA, USA: Association for computational linguistics. 2010.
94. Yang Y. et al. Aspect extraction from product reviews using category hierarchy information // Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics. Volume 2, Short Papers. 2017. Pp 675-680
95. Yi J. et al. Sentiment analyzer: Extracting sentiments about a given topic using natural language processing techniques // Third IEEE international conference on data mining. 2003. pp. 427-434.
96. Yu J. et al. Domain-assisted product aspect hierarchy generation: towards hierarchical organization of unstructured consumer reviews // Proceedings of the 2011 conference on empirical methods in natural language processing. 2011. Pp. 140-150.

🛒 Оформить заказ

Работу высылаем в течении 5 минут после оплаты.
Предоставляемые услуги, в том числе данные, файлы и прочие материалы, подготовленные в результате оказания услуги, помогают разобраться в теме и собрать нужную информацию, но не заменяют готовое решение.
Укажите ник или номер. После оформления заказа откройте бота @workspayservice_bot для подтверждения. Это нужно для отправки вам уведомлений.

©2026 Cервис помощи студентам в выполнении работ