Найти

Результаты поиска

• ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА ТОНАЛЬНОСТИ ДЛЯ ИЗМЕРЕНИЯ ЛОЯЛЬНОСТИ ПОКУПАТЕЛЕЙ И ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННАЯ НА НЕЧЕТКОЙ ЛОГИКЕ

  Е. М. Герасименко , В. В. Стеценко

  2021-11-14

  Аннотация ▼

  Представлен интеллектуальный подход к измерению лояльности клиентов к кон-
  кретному продукту, основанный на анализе комментариев. Общий анализ тональности в
  твитах и сообщениях проводится довольно часто, однако ориентированный на задачи
  анализ мнений пользователей и измерение уровня их лояльности является новой идеей.
  Сложность в проведении ориентированного на задачу анализа тональности сообщений
  заключается в измерении лояльности клиента к конкретному продукту на основе мнения
  клиентов об этом самом продукте. Полученные данные об уровне лояльности клиента к
  продукту смогут помочь новому клиенту принять решение о конкретном товаре, учиты-
  вая его различные особенности и отзывы предыдущих клиентов. В качестве набора данных
  был использован большой массив данных, состоящих из онлайн-отзывов клиентов с
  Amazon.com. Набор исходных данных представляет собой совокупность отзывов, из кото-
  рых предлагаемый подход формирует агрегированную оценку мнений, далее используется
  модель нечеткой логики для измерения лояльности клиента к продукту. В предложенном
  подходе входной текст сначала обрабатывается с помощью таких методов как токениза-
  ция, удаления стоп-слов, лемматизация, затем происходит маркировка частей речи и осу-
  ществляется анализ полярности отзывов, затем, к полученным агрегированным оценкам
  применяются методы нечеткой логики, чтобы определить степень лояльности клиентов к
  продукту. В этой работе использовались различные библиотеки с открытыми API, такие
  как SentiWordNet, Stanford CoreNLP и т.д. Используемый подход фокусируется на выявле-
  нии тональности обзоров, которые могут быть положительными, отрицательными и
  нейтральными. В нашем исследовании мы использовали треугольную функцию принадлеж-
  ности, также известную как trimf, потому что она поддерживает три переменные и соз-
  дает связь между ними. Реализация подхода обеспечивает высокую точность определения
  лояльности к продуктам электронной коммерции, которая превосходит предыдущие под-
  ходы, а применение нечеткой логик позволило значительно повысить значения таких пока-
  зателей как точность, полнота и F-мера.

• ОПРЕДЕЛЕНИЕ ТОНАЛЬНОСТИ ТЕКСТА С УЧЕТОМ ВЛИЯНИЯ МОДИФИКАТОРОВ ИНТЕНСИВНОСТИ И ПРИМЕНЕНИЕМ НЕЧЕТКИХ ПРАВИЛ

  Е.М. Герасименко , В.В. Стеценко

  2024-08-12

  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»).

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

  Е.М. Герасименко , В.В. Стеценко

  2023-02-17

  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.

• ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД ИЗВЛЕЧЕНИЯ ЗНАНИЙ НА ОСНОВЕ ОПРЕДЕЛЕНИЯ ТОНАЛЬНОСТИ ОТЗЫВОВ

  Е.М. Герасименко , В. В. Стеценко

  2020-11-22

  Аннотация ▼

  В этой работе исследуется влияние возраста и пола при анализе тональности отзы-
  вов, поскольку эти данные могут помочь ретейлерам электронной коммерции увеличить
  продажи, ориентируясь на определенные демографические группы, а также увеличить
  удовлетворение потребностей людей разных возрастных и гендерных групп. Используемый
  набор данных сформирован путем сбора отзывов о книгах. Был создан вопросник, содер-
  жащий информацию о предпочтениях книжных носителей (мнения пользователей об элек-
  тронных книгах, книгах в мягкой и твердой обложках, изображениях и аудиокнигах), а
  также данные о возрастной группе и гендерной принадлежности. Помимо этого, вопрос-
  ник также содержит информацию о положительном либо отрицательном мнении касае-
  мо предпочтений, которая послужила основой достоверности для классификаторов.
  В результате, было получено 900 анкет, которые были разделены на группы по половому
  признаку и возрасту. Каждая конкретная группа данных была разделена на обучающую и
  тестовую. Были проанализированы сегментированные данные на предмет настроений в
  зависимости от каждой возрастной группы и пола. Возрастная группа «старше 50 лет»
  продемонстрировала лучшие результаты по сравнению со всеми другими возрастными
  группами во всех классификаторах; данные в женской группе показали более высокую точ-
  ность по сравнению с данными из групп без информации о гендерной принадлежности.
  Высокие результаты, показанные этими группами, показывают, что подходы к анализу
  тональности способны предсказать настроения в этих группах лучше, чем в других. Анализ
  тональности проводился с использованием различных подходов машинного обучения (ML),
  включая максимальную энтропию, метод опорных векторов, сверточную нейронную сеть и
  долгую краткосрочную память.