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»).