Введение 1
1. Теоретические основы анализа тональности 4
1.1. Понятие «анализ тональности», сферы применения и материалы 4
1.2. Методы для проведения анализа тональности 13
1.2.1. Лингвистические методы 13
1.2.2. Подход, основанный на машинном обучении 19
1.2.3. Гибридный подход 39
1.3. Выводы к Главе 1 40
2. Практическая реализация 41
2.1. Подбор данных 41
2.2. Реализация классификатора 57
2.3. Оценка полученных результатов 66
2.4. Выводы к Главе 2 72
Заключение 73
Список использованной литературы 75
С развитием интернета и использованием социальных сетей объем текстовой информации, доступной для анализа, резко возрос. Применение методов автоматической обработки текстов (NLP, Natural Language Processing) стало важным инструментом в различных областях, таких как маркетинг, анализ отзывов, рекомендательные системы и другие.
Одной из наиболее важных задач в области NLP является определение эмоциональной окраски. Авторское отношение к обсуждаемым событиям, продуктам или услугам, выраженное через эмоциональную окраску текста, играет ключевую роль в успешном управлении бизнесом и принятии решений. Анализ эмоциональной окраски текстовых данных позволяет автоматически выявлять отзывы, комментарии или сообщения с положительной, негативной или нейтральной эмоциональной окраской, что представляет собой важный инструмент для оценки информации и принятия управленческих решений в различных сферах деятельности.
Актуальность работы связана с растущей потребностью компаний и организаций в понимании эмоциональной реакции потребителей на предлагаемые продукты и услуги.
Научная новизна данного исследования заключается в том, что на сегодняшний день наблюдается ограниченное количество научных работ, посвященных анализу эмоциональной окраски отзывов о сфере обслуживания. В данной работе описывается разработка и применение нейросетевого подхода к анализу тональности. В работе проводится сравнительный анализ различных методов анализа тональности, что позволяет выявить их преимущества и недостатки в контексте анализа тональности отзывов о сфере обслуживания.
Гипотеза исследования предполагает, что разработка и обучение нейронной сети, специализированной на классификации, позволит создать эффективное средство для автоматического выявления эмоциональной окраски отзывов о сфере обслуживания.
Объектом исследования являются отзывы о сфере обслуживания, а предметом исследования - их эмоциональная окраска.
Целью работы является разработка и обучение нейросетевого классификатора для анализа эмоциональной окраски отзывов о сфере обслуживания на материале отзывов, размещенных на платформе «2ГИС».
Для достижения поставленной цели предполагается решение следующих задач:
1. Сбор и подготовка данных для обучения нейросетевого классификатора.
2. Разработка архитектуры нейронной сети для анализа эмоциональной окраски отзывов.
3. Обучение нейросетевого классификатора на полученных данных.
4. Оценка точности и эффективности созданного классификатора.
Материалом исследования являются отзывы о ресторанах, кафе и продовольственных магазинах, размещенные на платформе «2ГИС».
Практическая значимость работы заключается в возможности использования разработанного нейросетевого классификатора для автоматического анализа эмоциональной окраски отзывов о сфере обслуживания.
Теоретическая значимость работы заключается в расширении применимости методов глубокого обучения, в частности нейронных сетей, для анализа текстовой информации применительно к материалу, отличающемуся своей разнородностью (в контексте эмоциональной окраски отзывов о сфере обслуживания). Полученные результаты могут быть полезны для оптимизации качества обслуживания, что поможет улучшить удовлетворенность клиентов и принимать более обоснованные управленческие решения....
В ходе данного исследования была успешно разработана и применена нейросетевая модель для анализа тональности текстовых отзывов о сфере обслуживания. Сравнительный анализ различных методов определения эмоциональной окраски, включая лингвистические подходы, методы машинного обучения и гибридные методы, позволил определить достоинства и недостатки каждого из методов, а также показал превосходство нейросетевого подхода в данном контексте.
В исследовании были успешно решены основные поставленные задачи исследования:
1. Был проведен сбор и предварительная обработка данных для использования в обучении модели.
2. Была разработана и реализована архитектура нейросетевого классификатора, способного определять эмоциональную окраску текстовых данных.
3. На основе подготовленных данных был проведен процесс обучения нейросетевой модели для определения тональности отзывов.
4. Была выполнена оценка точности и эффективности разработанного нейросетевого классификатора на основе полученных результатов анализа.
Разработанный нейросетевый классификатор продемонстрировал высокую точность и эффективность в определении эмоциональной окраски отзывов о сфере обслуживания на основе данных с платформы "2ГИС". Это подтверждает гипотезу о возможности создания эффективного инструмента для автоматизированного анализа эмоциональной окраски текстовых данных в данной сфере.
Для дальнейшего развития исследования рекомендуется увеличить объем и разнообразие данных, изучить влияние эмоциональной окраски на поведение потребителей, улучшить архитектуру нейронной сети, расширить область применения модели на другие сферы.
