ИНТЕЛЛЕКТУАЛЬНЫЙ МЕТОД ИЗВЛЕЧЕНИЯ ЗНАНИЙ НА ОСНОВЕ ОПРЕДЕЛЕНИЯ ТОНАЛЬНОСТИ ОТЗЫВОВ

Е.М. Герасименко; В. В. Стеценко

Е.М. Герасименко Южный федеральный университет
В. В. Стеценко Южный федеральный университет

Ключевые слова: Анализ тональности, машинное обучение, сверточная нейронная сеть, долгая краткосрочная память

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.

Литература

1. Manek A.S., Shenoy P.D., Mohan M.C., Venugopal K. Aspect term extraction for sentiment
analysis in large movie reviews using gini index feature selection method and svm classifier,
Worldw. Web., 2017, No. 20, pp. 135-154.
2. Dos Santos C., Gatti M. Deep convolutional neural networks for sentiment analysis of short
texts, Proceedings of the COLING, the 25th International Conference on Computational Linguistics:
Technical Papers, Dublin, Ireland, 23–29 August 2014, pp. 69-78.
3. Kiritchenko S., Zhu, X., Cherry C., Mohammad S. Nrc-canada-2014: Detecting aspects and
sentiment in customer reviews, Proceedings of the 8th International Workshop on Semantic
Evaluation, Dublin, Ireland, 23–24 August 2014, pp. 437-442.
4. Pontiki M., Galanis D., Papageorgiou H., Manandhar S. Androutsopoulos I. Semeval-2015
task 12: Aspect based sentiment analysis, Proceedings of the 9th International Workshop on
Semantic Evaluation, Denver, CO, USA, 4–5 June 2015, pp. 486-495.
5. Cao D., Ji R., Lin D., Li S. A cross-media public sentiment analysis system for microblog,
Multim. Syst., 2016, No. 22, pp. 479-486.
6. Ghosh R., Zhang L., Dekhil M.E., Liu B. Performing sentiment analysis on microblogging data,
including identifying a new opinion term therein. US Patent 9,275,041, 1 March 2016
7. Ullah M.A., Islam M.M., Azman N.B., Zaki Z.M. An overview of multimodal sentiment analysis
research: Opportunities and difficulties, Proceedings of the 2017 IEEE International Conference
on Imaging, Vision & Pattern Recognition, Himeji, Japan, 1–3 September 2017, pp. 1-6.
8. Cambria E. Affective computing and sentiment analysis, IEEE Intell. Syst., 2016, No. 31,
pp. 102-107.
9. Liu B. Sentiment analysis and subjectivity, Handb. Nat. Lang. Proc., 2010, No. 2, pp. 627-666.
10. Kumar S., Yadava M., Roy P.P. Fusion of eeg response and sentiment analysis of products
review to predict customer satisfaction, Inf. Fus., 2019, No. 52, pp. 41–52.
11. Kim J.H., Kim B.G., Roy P.P. Jeong D.M. Efficient facial expression recognition algorithm based on
hierarchical deep neural network structure, IEEE Access, 2019, No. 7, pp. 41273-41285.
12. Yoo S.M., Cho C., Lee K.H., Park J., Jin, S., Lee Y., Kim B.G. Structure of deep learning inference
engines for embedded systems, Proceedings of the IEEE 2019 International Conference
on Information and Communication Technology Convergence, Kuala Lumpur, Malaysia,
24–26 July 2019, pp. 920-922.
13. Kim J.H., Hong G.S., Kim B.G., Dogra D.P. Deepgesture: Deep learning-based gesture recognition
scheme using motion sensors, Displays, 2018, No. 55, pp. 38-45.
14. Li Y.M., Li T.Y. Deriving market intelligence from microblogs, Decis. Support Syst., 2013,
No. 55, pp. 206-217.
15. Lockenhoff C.E., Costa P.T., Lane R.D. Age differences in descriptions of emotional experiences
in oneself and others, J. Gerontol. Ser. B Psychol. Sci. Soc. Sci., 2008, No. 63, pp. 92-99.
16. Zimmermann P., Iwanski A. Emotion regulation from early adolescence to emerging adulthood
and middle adulthood, Int. J. Behav. Dev., 2014, No. 38, pp. 182-194.
17. Kaur B., Singh D., Roy P.P. Age and gender classification using brain–computer interface,
Neural Comput. Appl., 2019, No. 31. pp. 5887-5900.
18. Oh H., Parks S.C., Demicco F.J. Age-and gender-based market segmentation: A structural
understanding, Int. J. Hosp. Tour. Adm., 2002, No. 3, pp. 1-20.
19. Keshari P., Jain S. Effect of age and gender on consumer response to advertising appeals,
Paradigm, 2016, No. 20, pp. 69-82.
20. Fabes R.A., Martin C.L. Gender and age stereotypes of emotionality, Personal. Soc. Psychol.
Bull., 1991, No. 17, pp. 532-540.
21. Stoner S.B., Spencer W.B. Age and gender differences with the anger expression scale, Educ.
Psychol. Meas., 1987, pp. 487-492.
22. Davis T.L. Gender differences in masking negative emotions: Ability or motivation?, Dev.
Psychol., 1995, No. 31, pp. 660-667.
23. Brody L.R. Gender and emotion: Beyond stereotypes, J. Soc. Issues, 2010, No. 53, pp. 369-393.
24. Kring A.M., Gordon A.H. Sex differences in emotion: Expression, experience, and physiology,
J. Personal. Soc. Psychol., 1998, Vol. 74, pp. 686-703.
25. Birditt K.S., Fingerman K.L. Age and gender differences in adults’ descriptions of emotional
reactions to interpersonal problems, J. Gerontol. Ser. B Psychol. Sci. Soc. Sci., 2003, No. 58,
pp. 237-245.
26. Kharde V.A., Sonawane S.S. Sentiment analysis of Twitter data: A survey of techniques, Int. J.
Comput. Appl., 2016, No. 139, pp. 5–15.
27. Saini R., Kumar P., Roy P.P., Pal U. Trajectory classification using feature selection by genetic
algorithm, Proceedings of the 3rd International Conference on Computer Vision and Image
Processing. Springer: Berlin/Heidelberg, Germany, 2020, pp. 377-388.
28. Kim Y. Convolutional neural networks for sentence classification, Proceedings of the 2014
Conference on Empirical Methods in Natural Language Processing (EMNLP), Doha, Qatar,
25–29 October 2014, pp. 1746-1751.
29. Saito T., Rehmsmeier M. The precision-recall plot is more informative than the roc plot when
evaluating binary classifiers on imbalanced datasets, PLoS ONE, 2015, No.10. e0118432.