У статті розглядаються сучасні методи застосування машинного навчання та рекомендаційних систем для аналізу настроїв користувачів в інформаційно-комунікаційних середовищах. Соціальні мережі та цифрові платформи стали важливими джерелами громадської думки, щодня генеруючи великі обсяги текстових даних. Традиційні методи аналізу, такі як словникові методи або класичні алгоритми машинного навчання, мають обмеження щодо визначення контексту, сарказму, сленгу та емоційних відтінків тексту. Це ускладнює точне визначення емоцій користувачів і соціально значущих тем. У зв’язку з цим у дослідженні запропоновано ефективну модель, яка поєднує метод BERT (Bidirectional Encoded Representation from Transformers) і рекомендаційний алгоритм для поглибленого аналізу текстових даних. Розроблена модель не лише класифікує емоційне забарвлення тексту, а й визначає ключові теми, які набувають соціального резонансу, тому може швидко адаптуватися до динамічних змін інформаційного середовища. Запропонований підхід спрощує автоматичний моніторинг громадської думки, персоналізацію інформаційних потоків та ефективне управління неструктурованими даними. Результати дослідження підтвердили ефективність розробленої системи: точність моделі поступово підвищувалася в процесі навчання - від 60% на початковому етапі до понад 98% на кінцевому для навчальних даних. Для тестових даних точність класифікації досягла 100%, що свідчить про те, що модель має високу здатність до узагальнення інформації та низьку ймовірність помилки. Мінімізація функції втрат доводить ефективність процесу навчання та надійність запропонованого алгоритму. Інтеграція моделей BERT в комунікаційні та інформаційні системи пропонує широкі можливості для автоматизованого аналізу текстових даних. Такий підхід не тільки покращує якість аналізу контенту, але й забезпечує швидке виявлення соціально цікавих тем, що особливо важливо для соціальних платформ, аналізу медіа та цифрових комунікацій. Використання запропонованої моделі може значно підвищити ефективність управління інформаційними потоками, особливо у сферах штучного інтелекту, автоматичного аналізу громадської думки та моніторингу соціальних подій. Додаткові дослідження можуть бути зосереджені на розширенні можливостей моделі для аналізу багатомовного контенту, покращенні її адаптації до нових стилів письма та покращенні обробки коротких, неповних або неформальних текстів. У майбутньому запропонований підхід може бути застосований для автоматизованого управління великими обсягами даних, що сприятиме розвитку інтелектуальних інформаційних сервісів та кращому розумінню особливостей соціальних взаємодій у цифровому середовищі.
[1]. S. Subramanian, B. Tseng, R. Barbieri and E. N. Brown, "Unsupervised Machine Learning Methods for Artifact Removal in Electrodermal Activity," 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), Mexico, 2021, pp. 399-402, doi: 10.1109/EMBC46164.2021.9630535.
[2]. T. R. N and R. Gupta, "A Survey on Machine Learning Approaches and Its Techniques:," 2020 IEEE International Students' Conference on Electrical,Electronics and Computer Science (SCEECS), Bhopal, India, 2020, pp. 1-6, doi: 10.1109/SCEECS48394.2020.190.
[3]. B. Wang and W. Zhang, "Research on Edge Network Topology Optimization Based on Machine Learning," 2023 5th International Conference on Applied Machine Learning (ICAML), Dalian, China, 2023, pp. 41-46, doi: 10.1109/ICAML60083.2023.00018.
[4]. B. Walek and P. Fajmon, "A Recommender System for Recommending Suitable Products in E-shop Using Explanations," 2022 3rd International Conference on Artificial Intelligence, Robotics and Control (AIRC), Cairo, Egypt, 2022, pp. 16-20, doi: 10.1109/AIRC56195.2022.9836983.
[5]. A. K. John and B. Thomas, "Recent Trends and Growth in E-Learning Recommender System: A Bibliometric Analysis," 2024 International Conference on Data Science and Network Security (ICDSNS), Tiptur, India, 2024, pp. 1-5, doi: 10.1109/ICDSNS62112.2024.10691270.
[6]. N. Rani and S. L. Chu, "Does the Type of Recommender System Impact Users' Trust? Exploring Context-Aware Recommender Systems in Education," 2023 IEEE International Conference on Advanced Learning Technologies (ICALT), Orem, UT, USA, 2023, pp. 41-43, doi: 10.1109/ICALT58122.2023.00017.
[7]. K. S. Yogi, V. Dankan Gowda, D. Sindhu, H. Soni, S. Mukherjee and G. C. Madhu, "Enhancing Accuracy in Social Media Sentiment Analysis through Comparative Studies using Machine Learning Techniques," 2024 International Conference on Knowledge Engineering and Communication Systems (ICKECS), Chikkaballapur, India, 2024, pp. 1-6, doi: 10.1109/ICKECS61492.2024.10616441.
[8]. R. Singh and P. Sharma, "An Overview of Social Media and Sentiment Analysis," 2021 5th International Conference on Information Systems and Computer Networks (ISCON), Mathura, India, 2021, pp. 1-4, doi: 10.1109/ISCON52037.2021.9702359.
[9]. V. Joseph, C. P. Lora and N. T, "Exploring the Application of Natural Language Processing for Social Media Sentiment Analysis," 2024 3rd International Conference for Innovation in Technology (INOCON), Bangalore, India, 2024, pp. 1-6, doi: 10.1109/INOCON60754.2024.10511841.
[10]. A. R. Lubis, Y. Fatmi and D. Witarsyah, "Comparison of Transformer Based and Traditional Models on Sentiment Analysis on Social Media Datasets," 2023 6th International Conference of Computer and Informatics Engineering (IC2IE), Lombok, Indonesia, 2023, pp. 163-168, doi: 10.1109/IC2IE60547.2023.10331232.
[11]. B. Mridula, A. H. Juliet and N. Legapriyadharshini, "Deciphering Social Media Sentiment for Enhanced Analytical Accuracy: Leveraging Random Forest, KNN, and Naive Bayes," 2024 10th International Conference on Communication and Signal Processing (ICCSP), Melmaruvathur, India, 2024, pp. 1410-1415, doi: 10.1109/ICCSP60870.2024.10543836.
[12]. W. C. Yap, K. K. J. Sing and C. P. Goh, "Restaurant Recommendations with Implicit User Behavior via Image Classification and Sentiment Analysis from Social Media," 2024 3rd International Conference on Digital Transformation and Applications (ICDXA), Kuala Lumpur, Malaysia, 2024, pp. 39-44, doi: 10.1109/ICDXA61007.2024.10470702.