КЛАССИФИКАЦИИ ТОНАЛЬНОСТИ ТЕКСТА НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
Авторы:
1.
КНИТУ-КАИ
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Номер статьи:
Статус:
Опубликован
Получено:
05.08.2025
Одобрено:
07.08.2025
Опубликовано:
07.08.2025
Язык материала:
русский
Ключевые слова:
LSTM, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ТОНАЛЬНОСТЬ ТЕКСТА
Аннотация (русский):
В данной работе предлагается методика автоматического определения тональности текстовых отзывов покупателей интернет-магазинов с использованием рекуррентных нейронных сетей, оснащённых двумя LSTM-блоками с 1024 и 128 нейронов, каждый из которых использует ReLU активацию. Для кодирования текста в векторы была взята модель FastText, позволяющая учитывать морфологические особенности русского языка и извлекать информацию из частей слов. При этом два последовательно соединенных LSTM-слоя обеспечивают моделирование долгосрочных контекстуальных зависимостей, важных для анализа текстовых данных. Исследование направлено на преодоление ограничений существующих методов, позволяющих лишь частично учитывать семантические и морфологические особенности языка. В основе предлагаемого подхода лежит автоматическое выделение контекстуальных зависимостей, что особенно актуально при анализе неструктурированных данных. Экспериментальная часть исследования включает разработку модели, обученной на данных 60 тысяч размеченных отзывов, разделенных на тренировочную и тестовую выборки в соотношении 80 на 20, а также сравнительный анализ полученных на ее основе результатов классификации с использованием логистической регрессии и моделей машинного обучения с одним LSTM блоком. Полученные результаты демонстрируют повышение точности классификации (до 90 % на тестовой выборке) за счёт применения двух LSTM-слоёв. Сравнительный анализ показал, что предлагаемая схема превосходит классический алгоритм логистической регрессии и однослойные LSTM-модели по ключевым метрикам (Accuracy ≈ 0,89; F1-Score ≈ 0,9; AUC ≈ 0,95). Методика, предложенная в работе, позволяет качественно анализировать эмоциональную окраску текстов при обработке больших объемов данных. Предложенный подход демонстрирует высокую практическую значимость для масштабируемого мониторинга обратной связи и может быть расширен за счёт интеграции механизмов внимания (self-attention) и гибридных архитектур, объединяющих сильные стороны RNN и трансформеров.
В данной работе предлагается методика автоматического определения тональности текстовых отзывов покупателей интернет-магазинов с использованием рекуррентных нейронных сетей, оснащённых двумя LSTM-блоками с 1024 и 128 нейронов, каждый из которых использует ReLU активацию. Для кодирования текста в векторы была взята модель FastText, позволяющая учитывать морфологические особенности русского языка и извлекать информацию из частей слов. При этом два последовательно соединенных LSTM-слоя обеспечивают моделирование долгосрочных контекстуальных зависимостей, важных для анализа текстовых данных. Исследование направлено на преодоление ограничений существующих методов, позволяющих лишь частично учитывать семантические и морфологические особенности языка. В основе предлагаемого подхода лежит автоматическое выделение контекстуальных зависимостей, что особенно актуально при анализе неструктурированных данных. Экспериментальная часть исследования включает разработку модели, обученной на данных 60 тысяч размеченных отзывов, разделенных на тренировочную и тестовую выборки в соотношении 80 на 20, а также сравнительный анализ полученных на ее основе результатов классификации с использованием логистической регрессии и моделей машинного обучения с одним LSTM блоком. Полученные результаты демонстрируют повышение точности классификации (до 90 % на тестовой выборке) за счёт применения двух LSTM-слоёв. Сравнительный анализ показал, что предлагаемая схема превосходит классический алгоритм логистической регрессии и однослойные LSTM-модели по ключевым метрикам (Accuracy ≈ 0,89; F1-Score ≈ 0,9; AUC ≈ 0,95). Методика, предложенная в работе, позволяет качественно анализировать эмоциональную окраску текстов при обработке больших объемов данных. Предложенный подход демонстрирует высокую практическую значимость для масштабируемого мониторинга обратной связи и может быть расширен за счёт интеграции механизмов внимания (self-attention) и гибридных архитектур, объединяющих сильные стороны RNN и трансформеров.
Ключевые слова:
LSTM, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ТОНАЛЬНОСТЬ ТЕКСТА
LSTM, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ТОНАЛЬНОСТЬ ТЕКСТА
