Брянск, Брянская область, Россия
Рассмотрена задача аспектного анализа тональности текстовых сообщений на естественном языке. Исследованы четыре нейросетевые модели, относящиеся к разделу глубокого обучения: сверточная нейронная сеть, рекуррентная нейронная сеть, сеть GRU, сеть LSTM. Представлены результаты экспериментальной проверки указанных моделей на корпусе текстовых отзывов SentiRuEval-2015.
машинное обучение, аспектный анализ тональности, нейронные сети, глубокое обучение.
1. Blinov, P. Semantic similarity for aspect-based sentiment analysis / P. Blinov, E. Kotelnikov // Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference «Dialogue» (2015). – 2015. – Issue 14. – Vol. 2. – P. 12–21.
2. Deng, L. Deep Learning: Methods and Applications / L. Deng, Y. Dong // Foundations and Trends in Signal Processing. – 2014. – Vol. 7. – P. 197–387.
3. Distributed representations of words and phrases and their compositionality / T. Mikolov [et al.] // Advances in Neural Information Processing Systems. – 2013. – P. 3111–3119.
4. Elman, J. Finding structure in time / J. Elman // Cognitive science. – 1990. – Vol. 14. – № 2. – P. 179–211.
5. Empirical evaluation of gated recurrent neural networks on sequence modeling / J. Chung [et al.] // arXiv pre-print arXiv:1412.3555. – 2014.
6. Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural computation. – 1997. – Vol. 9. – № 8. – P. 1735–1780.
7. Jordan, M. Serial order: A parallel distributed processing approach / M. Jordan // Advances in psychology. – 1997. – Vol. 121. – P. 471–495.
8. Kim, Y. Convolutional neural networks for sentence classification / Y. Kim // arXiv preprint arXiv:1408.5882. – 2014.
9. Lakkaraju, H. Aspect Specific Sentiment Analysis using Hierarchical Deep Learning / H. Lakkaraju, R. Socher, C. Manning // NIPS Workshop on Deep Learning and Representation Learning. – 2014.
10. Natural language processing (almost) from scratch / R. Collobert [et al.] // The Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2493–2537.
11. On the properties of neural machine translation: Encoder-decoder approaches / K. Cho [et al.] // arXiv preprint arXiv:1409.1259. – 2014.
12. Pang, B. Opinion mining and sentiment analysis / B. Pang, L. Lee // Foundations and trends in information re-trieval. – 2008. – Vol. 2. – P. 1–135.
13. Pennington, J. Glove: Global vectors for word representation / J. Pennington, R. Socher, C. Manning // Proceed-ings of the Empiricial Methods in Natural Language Processing (EMNLP 2014). – 2014. – Vol. 12.
14. Recurrent neural network based language model / T. Mikolov [et al.] // INTERSPEECH 2010: 11th Annual Conference of the International Speech Communication Association, Makuhari, Chiba, Japan (September 26-30, 2010). – 2010. – P. 1045–1048.
15. SentiRuEval: тестирование систем анализа тональности текстов на русском языке по отношению к заданному объекту / Н. В. Лукашевич [и др.] // Компьютерная лингвистика и интеллектуальные техно-логии: по материалам ежегодной международной конференции «Диалог» (г. Москва, 27–30 мая 2015 г.). В 2 т. Т. 2. Доклады специальных секций. – М.: Изд-во РГГУ, 2015. – Вып. 14 (21). – С. 3–14.
16. «Диалог» – международная конференция по компьютерной лингвистике. – URL: http://www.dialog-21.ru/.
17. Лукашевич, Н.В. Открытое тестирование систем анализа тональности на материале русского языка / Н.В. Лукашевич, И.И. Четверкин // Искусственный интеллект и принятие решений. – 2014. – № 1. – С. 25–33.
18. Подвесовский, А.Г., Проблемы и особенности автоматизации мониторинга социальных сетей и интел-лектуальной обработки пользовательских сообщений / А.Г. Подвесовский, Д.В. Будыльский // Вестник Брянского государственного технического университета. – 2014. – № 4 (44). – С. 146–152.
