1. SISN
  2. Всі випуски
  3. Випуск 15, 2024
  4. Методи машинного навчання та проектування системи визначення емоційного забарвлення українськомовного контенту

Методи машинного навчання та проектування системи визначення емоційного забарвлення українськомовного контенту

SISN.
2024;
Випуск 15
: cc. 74 - 86
https://doi.org/10.23939/sisn2024.15.074
Автори:
  1. Антон Ломовацький
  2. Тарас Басюк
1
Національний університет «Львівська політехніка», кафедра інформаційних систем та мереж
2
Національний університет «Львівська політехніка»

У статті автори проаналізували сучасний стан досліджень у галузі емоційного аналізу україномовного контенту для систем інтелектуального аналізу даних. Проаналізовано основні методи та підходи до вирішення проблеми. Також розглянуто основні алгоритми машинного навчання для аналізу текстового контенту. В результаті аналізу визначено основні методи і підходи, які можна використати для аналізу саме української мови, та здійснено їх класифікацію. Подальшим етапом стало проєктування функціональності системи з використанням структурного підходу. Розроблено контекстну діаграму інформаційної системи та здійснено декомпозицію її головного процесу, щоб детальніше відобразити процес підготовки та аналізу інформації під час визначення емоційного забарвлення.

емоційний аналіз
машинне навчання
проєктування
класифікація методів
інформаційні технології
  1. Otamendi, J., F., & Martín, D. L. S. (2020, September 4). The Emotional Effectiveness of Advertisement.   Frontiers.                      Retrieved         February                      28,                              2024,                         from https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2020.02088/full
  2. Basyuk, T., & Vasyliuk, A. (2023). Peculiarities of an Information System Development for Studying Ukrainian Language and Carrying out an Emotional and Content Analysis. CEUR Workshop Proceedings, 3396, 279–294.
  3. Ou, L. C., Luo, M. R., Woodcock, A., & Wright, A. B. (2004). A study of colour emotion and colour preference. Part I: Colour emotions for single colours. Color Research & Application, 29(3), 232–240. https://doi.org/10.1002/col.20010
  4. Bessa, A. (2023, December 11). Lexicon-based sentiment analysis: What it is & how to conduct one. Knime. Retrieved February 28, 2024, from https://www.knime.com/blog/lexicon-based-sentiment-analysis
  5. Fagbola, T. M., & Surendra Colin, T. (2019). Lexicon-based bot-aware public emotion mining and sentiment analysis of the Nigerian 2019 presidential election on Twitter. International Journal of Advanced Computer Science and Applications, 10(10), 329–336. https://doi.org/10.14569/ijacsa.2019.0101047
  6. Guzsvinecz, T., & Szűcs, J. (2023). Length and sentiment analysis of reviews about top-level video game genres on the steam platform. Computers in Human Behavior, 149, A107955. https://doi.org/10.1016/j.chb.2023.107955
  7. Kirti, A. (2023, April 17). Rule Based Approach in NLP. Geeksforgeeks. Retrieved February 28, 2024, from     https://www.geeksforgeeks.org/rule-based-approach-in-nlp/
  8. Koukaras, P., Rousidis, D., & Tjortjis, C. (2023). Unraveling Microblog Sentiment Dynamics: A Twitter Public Attitudes Analysis towards COVID-19 Cases and Deaths. Informatics, 10(4), A88. https://doi.org/10.3390/informatics10040088
  9. Pragnya, S. S. (2022, January 16). VADER (Valence Aware Dictionary and sentiment Reasoner) Sentiment Analysis. Medium. Retrieved  February 28, 2024, from https://swayanshu.medium.com/vader-valence- aware-dictionary-and-sentiment-reasoner-sentiment-analysis-28251536698
  10. Barik, K., & Misra, S. (2024). Analysis of customer reviews with an improved VADER  lexicon classifier. Journal of Big Data, 11(1), A10. https://doi.org/10.1186/s40537-023-00861-x
  11. (n.d.). A Guide on Word  Embeddings in NLP. Turing. Retrieved  February 28, 2024, from https://www.turing.com/kb/guide-on-word-embeddings-in-nlp
  12. Moudhich, I., & Fennan, A. (2024). Graph embedding approach to analyze sentiments on cryptocurrency. International Journal of Electrical and Computer Engineering, 14(1), 690–697. https://doi.org/10.11591/ijece.v14i1.pp690- 697
  13. Hicham, N., Nassera, H., & Karim, S. (2024). Enhancing Arabic  E-Commerce Review Sentiment Analysis Using a hybrid Deep Learning Model and FastText word embedding. EAI Endorsed Transactions on Internet of Things, 10. https://doi.org/10.4108/eetiot.4601
  14. Su, Y., & Kabala, Z. J. (2023). Public Perception of ChatGPT and Transfer  Learning for  Tweets Sentiment Analysis Using Wolfram Mathematica. Data, 8(12), A180. https://doi.org/10.3390/data8120180
  15. (n.d.). What is Supervised Learning? Google Cloud. Retrieved February 28, 2024, from https://cloud.google.com/discover/what-is-supervised-learning
  16. Aysan, A. F., Caporin, M., & Cepni, O. (2024). Not all words are equal: Sentiment and jumps in the cryptocurrency market. Journal of International Financial Markets, Institutions and Money, 91, A101920. https://doi.org/10.1016/j.intfin.2023.101920
  17. Labd, Z., Bahassine, S., & Housni, K. (2024). Ext classification supervised algorithms with term frequency inverse document frequency and global vectors for word representation: A comparative study. International Journal of Electrical and Computer Engineering, 14(1), 589–599. https://doi.org/10.11591/ijece.v14i1.pp589-599
  18. Tabany, M., & Gueffal, M. (2024). Sentiment Analysis and Fake Amazon Reviews Classification Using SVM Supervised Machine Learning Model. Journal of Advances in Information Technology, 15(1), 49–58. https://doi.org/10.12720/jait.15.1.49-58
  19. Liu, J., & Si, J. (2024). Digitization of Civics in College Physical Education Courses Based on the Correlation Matrix. Applied Mathematics and Nonlinear Sciences, 9(1). https://doi.org/10.2478/amns.2023.2.01576