АНАЛИЗ ТОНАЛЬНОСТИ ТЕКСТОВЫХ ОТЗЫВОВ С ПРИМЕНЕНИЕМ ТОНАЛЬНЫХ СЛОВАРЕЙ И КАРДИНАЛЬНОСТИ НЕЧЕТКОГО МНОЖЕСТВА

  • Е.М. Герасименко Южный федеральный университет
  • В.В. Стеценко Южный федеральный университет
Ключевые слова: Анализ тональности, обработка естественного языка, нечеткая логика, оценка тональности, SentiWordNet, AFINN

Аннотация

Анализ тональности или мнений направлен на определение полярности мнения людей
в отношении к какому-либо продукту, услуге, мероприятию или любому человеку. Один из
самых распространенных методов, применяемый при анализе тональности текстового
контента – обработка естественного языка. Тональность текста на естественном язы-
ке может быть оценена с помощью многочисленных методологий, таких как алгоритмы
машинного обучения и статистические инструменты, в то время как применение нечет-
кой логики не является распространенным явлением. Использование нечеткой логики было
выбрано по следующим причинам. Во-первых, нечеткая логика хорошо справляется с лин-
гвистической неопределенностью. Такой способ определения проблемы приводит к умень-
шению предвзятости как с положительной, так и с отрицательной стороны. Во-вторых,
подходы к обучению на основе нечетких правил коренным образом отличаются от тех
подходов к обучению, которые широко используются при классификации настроений, та-
ких как метод опорных векторов, метод наивного Байеса и т. д., так как относятся к ге-
неративному обучению, т. е. целью обучения является оценка степени принадлежности
экземпляра к каждому отдельному классу. Предлагаемая модель для анализа тональности
текстовых обзоров основана на использовании тональных словарей с применением нечет-
кой логики и состоит из четырех основных этапов. Этапы включают в себя токенизацию,
формулировку модели мешка слов, формулировку нечеткой оценки тональности и присвое-
ние полярности. В предложенной модели используется мощность нечеткого множества
как мера оценки показателей полярности слов. Значения полярности слов получены путем
применения двух тональных словарей: SentiWordNet и AFINN. Созданы две версии модели в
зависимости от типа используемого словаря: на основе SentiWordNet и AFINN. Сравнение
представленного подхода на основе нечеткой логики с другими методами на основе слова-
рей демонстрирует превосходство разработанных моделей, основанных на применении
нечеткой логики.

Литература

1. Bhoir P., Kolte S. Sentiment analysis of movie reviews using lexicon approach, IEEE International
Conference on Computational Intelligence and Computing Research (ICCIC), 2015,
pp. 1-6.
2. Li X., Xie H., Chen L., Wang J., and Deng X. News impact on stock price return via sentiment
analysis, Knowledge-Base Systems, 2014, Vol. 69, pp. 14- 23.
3. Bose R., Dey R.K., Roy S., Sarddar D. Analyzing Political Sentiment Using Twitter Data, Information
and Communication Technology for Intelligent Systems. Springer, Singapore, 2019,
pp. 427-436.
4. Dundar B., Ozdemir S., Akay D. Opinion mining and fuzzy quantification in hotel reviews,
2016 International Symposium on Networks, Computers and Communications (ISNCC), 2016,
pp. 1-4.
5. Park E., Kang J., Choi D.,Han J. Understanding customers' hotel revisiting behaviour: a sentiment
analysis of online feedback reviews, Current Issues in Tourism, 2020, Vol. 23, No. 5,
pp. 605-611.
6. Mostafa L. Machine Learning-Based Sentiment Analysis for Analyzing the Travelers Reviews
on Egyptian Hotels, Joint European-US Workshop on Applications of Invariance in Computer
Vision, Springer, Cham, 2020, pp. 405-413.
7. Vashishtha S., Susan S. Fuzzy logic based dynamic plotting of mood swings from tweets, International
Conference on Innovations in Bio-Inspired Computing and Applications. Springer,
Cham, 2018, pp. 129-139.
8. Shivaprasad T.K., Shetty J. Sentiment analysis of product reviews: a review, International
Conference on Inventive Communication and Computational Technologies (ICICCT), 2017,
pp. 298-301.
9. Liu Y., Bi J.W., Fan Z. P. Ranking products through online reviews: A method based on sentiment
analysis technique and intuitionistic fuzzy set theory, Information Fusion, 2017, Vol. 36.
pp. 149-161.
10. Indhuja K., Reghu RPC. Fuzzy logic based sentiment analysis of product review documents,
2014 First International Conference on Computational Systems and Communications
(ICCSC), 2014, pp. 18-22.
11. Zadeh L.A. Calculus of Fuzzy Restrictions. Fuzzy Sets and their Applications to cognitive and
decision processes, 1975, pp. 1-40.
12. Singh W. Sentiment analysis of online mobile reviews, 2017 International Conference on Inventive
Communication and Computational Technologies (ICICCT), 2017, pp. 20-25.
13. Yadav P., Pandya D. SentiReview: Sentiment analysis based on text and emoticons, International
Conference on Innovative Mechanisms for Industry Applications (ICIMIA), 2017,
pp. 467-472.
14. Songpan W. The analysis and prediction of customer review rating using opinion mining, 15th
International Conference on Software Engineering Research, Management and Applications
(SERA), 2017, pp. 71-77.
15. Dudani A., Srividya V., Sneha B., Tripathy B. K. Sentiment Analysis on Kerala Floods, International
Conference on Innovative Computing and Communications, Springer, Singapore,
2020, pp. 107-124.
16. Singh P., Sawhney R.S., Kahlon K.S. Sentiment analysis of demonetization of 500 & 1000
rupee banknotes by Indian government. ICT Express, 2018, Vol. 4, No. 3, pp. 124-129.
17. Kumar A., Singh J.P. Demonetization in India: Good or Bad in Context of Social Media.
– 2019.
18. Jusoh S., Alfaware H. M. Applying fuzzy sets for opinion mining, International Conference on
Computer Applications Technology (ICCAT), 2013, pp. 1-5.
19. Alharbi J.R., Alhalabi W.S. Hybrid Approach for Sentiment Analysis of Twitter Posts Using a
Dictionary-based Approach and Fuzzy Logic Methods: Study Case on Cloud Service Providers,
International Journal on Semantic Web and Information Systems (IJSWIS), 2020, Vol. 16,
No. 1, pp. 116-145.
20. Phan H.T., Nguyen N.T., Cuong T.V., Hwang D. A Method for Detecting and Analyzing the
Sentiment of Tweets Containing Fuzzy Sentiment Phrases, 2019 IEEE International Symposium
on INnovations in Intelligent SysTems and Applications (INISTA), 2019, pp. 1-6.
21. Phan H.T., Tran V.C., Nguyen N.T., Hwang D. Improving the performance of sentiment analysis
of tweets containing fuzzy sentiment using the feature ensemble model, IEEE Access, 2020,
Vol. 8, pp. 14630-14641.
22. Pang B., Lee L. A sentimental education: Sentiment analysis using subjectivity summarization
based on minimum cuts, Proceedings of the 42nd annual meeting on Association for Computational
Linguistics, 2004, pp. 271.
23. Cavalcanti D. C., Ricardo B.C .Prudêncio, Shreyasee S. Pradhan, Jatin Y. Shah, Ricardo S.
Pietrobon. Good to be bad? Distinguishing between positive and negative citations in scientific
impact, 2011 IEEE 23rd International Conference on Tools with Artificial Intelligence,
2011, pp. 156-162.
24. Hutto C. J., Gilbert E. Vader: A parsimonious rule-based model for sentiment analysis of social
media text, Eighth international AAAI conference on weblogs and social media. – 2014.
Опубликован
2022-12-27
Выпуск
Раздел
РАЗДЕЛ II. МОДЕЛИРОВАНИЕ ПРОЦЕССОВ И СИСТЕМ