ОПРЕДЕЛЕНИЕ ТОНАЛЬНОСТИ ТЕКСТА С УЧЕТОМ ВЛИЯНИЯ МОДИФИКАТОРОВ ИНТЕНСИВНОСТИ И ПРИМЕНЕНИЕМ НЕЧЕТКИХ ПРАВИЛ
Аннотация
Выражение чувств – неотъемлемая часть человеческой жизни и коммуникации. Чтобы соз-
дать компьютеры, способные лучше служить человечеству, в области информатики продолжа-
ются исследования по разработке алгоритмов машинного обучения, которые могут обрабаты-
вать текстовые данные и выполнять задачи анализа тональности текстов на естественном
языке. Доступность онлайн-обзоров и повышенные ожидания конечных пользователей также
стимулируют разработку систем интеллектуального анализа мнений, которые могут автомати-
чески классифицировать и обобщать отзывы пользователей. С каждым годом исследований в
области распознавания эмоций в тексте все больше, но только малая их часть посвящена приме-
нению нечеткой логики. В основном, это происходит потому, что исследователи ограничиваются
бинарной классификацией отношений – «положительное» и «отрицательное», реже добавляя еще
третий класс – «нейтральное». Применение же нечеткой логики помогает определить оттенки
эмоций, не просто «хорошо» и «плохо», а насколько хорошо или насколько плохо. Количество оп-
ределяемых классов определяет глубину детализации. Ранее нами была предложена нечеткая мо-
дель определения тональности на основе словарей, в данном исследовании мы предлагаем улуч-
шенную модель определения тональности текста на основе тонального словаря (SentiWordNet) и
нечетких правил. Для повышения точности и достоверности анализа тональности были примене-
ны коэффициенты, учитывающие эмоциональную нагрузку слов разных частей речи и действие
модификаторов интенсивности, способствующих усилению либо ослаблению эмоциональных от-
тенков. Количественное значение тональности текста получено в результате агрегирования
нормированных данных по эмоциональным классам с применением методов нечеткого вывода.
В результате исследования было выявлено, что учет влияния модификаторов интенсивности зна-
чительно повышает точность предложенного ранее авторами метода, а также способствует
определению границ при проведении детализированной оценки отношений по 7 классам («очень
положительное», «положительное», «скорее положительное», «нейтральное», «скорее отрица-
тельное», «отрицательное», «очень отрицательное»).
Литература
mining, Computer Science, 2018, Vol. 140, pp. 95-103.
2. Wu K., Zhou M., Lu X. S., et Huang L. A Fuzzy Logic-Based Text Classification Method for Social
Media Data, IEEE International Conference on Systems, Man, and Cybernetics (SMC) Banff Center,
Banff, Canada, October 5-8–2017.
3. Sathe J.B., Mali M.P. A hybrid Sentiment Classification method using Neural Network and Fuzzy
Logic, 11th International Conference on Intelligent Systems and Control (ISCO), 2017, pp. 93-96.
4. Jefferson C., Liu H., Cocea M. Fuzzy approach for sentiment analysis, IEEE International Conference
on Fuzzy Systems (FUZZ-IEEE), 2017, pp. 1-6.
5. Liu H., Cocea M. Fuzzy rule based systems for interpretable sentiment analysis, Ninth International
Conference on Advanced Computational Intelligence (ICACI), 2017, pp. 129-136.
6. Wang X., Zhang H. et Xu Z. Public Sentiments Analysis Based on Fuzzy Logic for Text, International
Journal of Software Engineering and Knowledge Engineering, 2016, Vol. 26, pp. 1341-1360.
7. Ghani, Bajwa I., Ashfaq A. A fuzzy logic based intelligent system for measuring customer loyalty and
decision making, Symmetry, 2018, 10, pp. 761.
8. Katarya R., Verma O.P. An effective web page recommender system with fuzzy c-mean clustering,
Multimed. Tools Appl., 2017, 76, pp. 21481-21496.
9. Nadali S., Murad M.A.A., Kadir R.A. Sentiment classification of customer reviews based on fuzzy
logic, International Symposium in Information Technology (ITSim), IEEE, Kuala Lumpur, Malaysia,
2010, Vol. 2, pp. 1037-1044.
10. Rahmath P.H., Ahmad T. Fuzzy based sentiment analysis of online product reviews using machine
learning techniques, Int. J. Comput. Appl., 2014, 99, pp. 9-16.
11. Dey L., Haque S.M. Opinion mining from noisy text data, International Journal on Document Analysis
and Recognition (IJDAR), 2009, Vol. 12, pp. 205-226.
12. Miao Q., Li Q., Zeng D. Fine-grained opinion mining by integrating multiple review sources, J. Am.
Soc. Inf. Sci. Technol., 2010, Vol. 61, pp. 2288-2299.
13. Howellsa K., Ertugan A. Applying fuzzy logic for sentiment analysis of social media network data in
marketing, Procedia Computer Science, 2017, Vol. 120, pp. 664-670.
14. Jain P., Srivastava A., Singh V. and Hazela B. Aspect based sentiment analysis by fuzzy logic, International
Journal of Current Engineering and Technology, 2019, Vol. 9, pp. 243-248.
15. Liu H., Cocea M. Fuzzy rule based systems for interpretable sentiment analysis, Proceedings Ninth
International Conference on Advanced Computational Intelligence, 2017, pp. 129-136.
16. Bai Y., Wang D. Fundamentals of fuzzy logic control – fuzzy sets, fuzzy rules and defuzzifications,
Advanced Fuzzy Logic Technologies in Industrial Applications. Advances in Industrial Control.
Springer, 2006, pp. 17-36.
17. Pang B., Lee L. Opinion mining and sentiment analysis, Foundations and Trends in Information Retrieval,
2006, Vol. 2, pp. 1-135.
18. Chopra F.K., Bhatia R. Sentiment analyzing by dictionary based approach, International Journal of
Computer Applications, 2016, Vol. 152, pp. 32-34.
19. Gerasimenko E.M., Stetsenko V.V. Analiz tonal'nosti tekstovykh otzyvov s primeneniem tonal'nykh
slovarey i kardinal'nosti nechetkogo mnozhestva [Sentiment analysis of text reviews using tone dictionaries
and fuzzy set cardinality], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering
Sciences], 2022, No. 5, pp. 106-116.
20. Gerasimenko E.M. Intellektual'nyy analiz dannykh. Algoritmy Data Mining: ucheb. posobie [Data
mining. Algorithms of data mining: textbook]. Izd-vo YuFU, 2017, 82 p.
21. 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.
