Статья посвящена анализу тональности текста (sentiment analysis) – области компьютерной лингвистики и интеллектуального анализа текста, направленной на извлечение субъективных мнений и эмоций из текстов. Целью исследования является выявление возможностей стандартных методов компьютерной лингвистики для определения тональности отзывов о работе торговых сетей. Основной задачей анализа тональности текста служит определение того, является ли данный текст позитивным, негативным или нейтральным. Рассматриваются различные названия и подходы к данной технологии, такие как мониторинг брендов и анализ социальных медиа, которые получили значительное развитие в последние годы благодаря росту популярности Интернета. В исследовании акцентируется внимание на методах классификации, включая подходы на основе правил и машинного обучения, где последняя категория охватывает современные методы глубокого обучения. Также представлено описание объекта исследования – массива отзывов о торговых сетях – с указанием на методику обработки и анализа данных. Одним из основных результатов является вывод, что необходима тщательная предварительная обработка данных с целью отсеивания дубликатов отзывов. В результате этого с помощью классических методов можно получить правильную классификацию отдельных предложений отзывов с точностью до 72%. Использованный в публикации метод группировки отзывов по соотношению положительных, отрицательных и нейтральных предложений позволяет довести точности определения тональности отзывов до 90%.
The article is devoted to the analysis of text tonality (sentiment analysis), a field of computational linguistics and text mining aimed at extracting subjective opinions and emotions from texts. The purpose of the study is to identify the possibilities of standard computational linguistics methods for determining the tone of reviews about the work of retail chains. The main task of analyzing the tonality of a text is to determine whether a given text is positive, negative, or neutral. Various names and approaches to this technology are being considered, such as brand monitoring and social media analysis, which have developed significantly in recent years due to the growing popularity of the Internet. The study focuses on classification methods, including rule-based approaches and machine learning, where the latter category covers modern deep learning methods. It also provides a description of the research object – an array of reviews about retail chains, indicating the methods of data processing and analysis. One of the main results is that careful pre-processing of the data is necessary in order to filter out duplicate reviews. As a result, using classical methods, it was possible to obtain the correct classification of individual feedback proposals with an accuracy of 72%. The method of grouping reviews by the ratio of positive, negative and neutral sentences used in the publication makes it possible to increase the accuracy of determining the tone of reviews to 90%.
1. Большакова Е.И., Воронцов К.В., Ефремова Н.Э., Клышински Э.С., Лукашевич Н.В., Сапин А.С. Автоматическая обработка текстов на естественном языке и анализ данных. М.: НИУ ВШЭ, 2017. 269 с. URL: https://istina.msu.ru/publications/book/73034754/ (дата обращения: 15.03.2025).
2. Сулейманов А.К., Шарипова М.А., Сметанина О.Н., Сазонова Е.Ю., Миронов К.В. Модели и методы анализа тональности в текстах на башкирском языке. Моделирование, оптимизация и информационные технологии. 2020. Т. 8. № 3. URL: https://moitvivt.ru/ru/journal/pdf?id=831 (дата обращения: 15.03.2025).
3. Лукашевич Н.В. Автоматический анализ тональности текстов: проблемы и методы // Интеллектуальные системы. Теория и приложения. 2022. Т. 26. № 1. С. 50–61. URL: http://intsysmagazine.ru/issue_26-1 (дата обращения: 12.03.2025).
4. Богданова Т.Ф., Бойчук Е.И. Основные теоретические проблемы, связанные с понятием тональности текста // Верхневолжский филологический вестник. 2020. № 4 (23). С. 136–141. DOI: 10.20323/2499-9679-2020-4-23-136-141.
5. Гаршина В.В., Калабухов К.С., Степанцов В.А., Смотров С.В. Разработка системы анализа тональности текстовой информации // Вестник ВГУ, серия: Системный анализ и информационные технологии. 2017. № 3. С. 185–194. URL: http://www.vestnik.vsu.ru/pdf/analiz/2017/03/2017-03-21.pdf (дата обращения: 15.03.2025).
6. Бузин Д.С., Азизов М.Т., Алгоритмы машинного обучения для анализа тональности высказываний // Вестник Российского нового университета. 2022. № 2. С. 129–139. DOI: 10.18137/RNU.V9187.22.02.P.129.
7. Гималетдинова Г.К., Довтаева Э.Х. Сентимент-анализ читательского комментария: автоматизированная vs ручная обработка текста // Ученые записки Казанского университета. Серия гуманитарные науки. 2021. Т. 163. Кн. 1. DOI: 10.26907/2541-7738.2021.1.
8. Николаев И.С., Митренина О.В., Ландо Т.М. Прикладная и компьютерная лингвистика: коллектив. моногр. Москва: URSS, 2016. 315 c. URL: https://dokumen.pub/53d0eadb1d981309e7c63df8651a2d90.html (дата обращения: 17.03.2025).
9. Брунова Е.Г., Бидуля Ю.В. Клиент всегда прав: анализ тональности текста в отзывах о качестве банковского обслуживания // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. 2017. Т. 3. № 1. С. 72–89. DOI: 10.21684/2411-197X-2017-3-1-72-89.
10. Гималетдинова Г.К., Довтаева Э.Х. Сентимент-анализ читательского интернет-комментария к политическому тексту// Политическая лингвистика. 2020. №1 (79). DOI: 10.26170/pl20-01-05.
11. Колмогорова А.В., Калинин А.А., Маликова А.В. Типология и комбинаторика вербальных маркеров различных эмоциональных тональностей в интернет-текстах на русском языке // Вестник Томского государственного университета. 2019. № 448. С. 48–58. DOI: 10.17223/15617793/448/6.
12. Отзывы об интернет магазинах. URL: https://otzyvshops.com (дата обращения: 15.03.2025).
13. Рубцова Ю.В. Построение корпуса текстов для настройки тонового классификатора // Программные продукты и системы. 2015. № 1 (109). С. 72–78. DOI: 10.15827/0236-235X.109.072-078.
14. Лыченко Н.М., Сороковая А.В. Сравнение эффективности методов векторного представления слов для определения тональности текстов// Математические структуры и моделирование. 2019. № 4 (52). С. 97–110. DOI: 10.24147/2222-8772.2019.4.97-110.
15. Baimakhanbetov Mukhit M., Nurumov Kaidar S., Ospanova Ulzhan A., Buldybayev Timur K., Akoyeva Inessa G. The effect of the ADASYN method on Widespread metrics of machine learning Efficiency // Современные информационные технологии и ИТ-образование. 2019. № 2. С. 290–297. DOI: 10.25559/SITITO.15.201902.290-297.