Решение задачи классификации эмоционального тона сообщения с определением наиболее подходящей архитектуры нейронной сети
https://doi.org/10.26907/1562-5419-2023-26-4-396-413
Аннотация
Для определения наиболее эффективного подхода к решению задачи классификации эмоционального тона сообщения проведено обучение выбранных моделей нейронной сети на различных наборах обучающих данных. На основе такого показателя, как процентное соотношение правильно данных ответов на тестовом наборе данных, сравнены комбинации наборов обучающих данных и различных моделей, обученных на основе этих данных. Произведено обучение четырех моделей нейронной сети на трех различных наборах обучающих данных. В результате сравнения точности ответов каждой модели, обученной на разных обучающих данных, сделаны выводы о выборе модели нейронной сети, наиболее подходящей для решения поставленной задачи.
Ключевые слова
Об авторах
Д. И. Багаутдинов
Казанский (Приволжский) Федеральный университет
Россия
Россия
Р. Салман
Казанский (Приволжский) Федеральный университет
Россия
Россия
В. А. Алексеев
Казанский (Приволжский) Федеральный университет
Россия
Россия
Р. М. Усмонов
Казанский (Приволжский) Федеральный университет
Россия
Россия
Список литературы
1. Gosai D. D., Gohil H. J., Jayswal H. S. A Review on a Emotion Detection and Recognization from Text Using Natural Language Processing. URL: http://www.ripublication.com/ijaer18/ijaerv13n9_33.pdf
2. Acheampong F. A., Nunoo-Mensah H., Wenyu Chen. Transformer models for text-based emotion detection: a review of BERT-based approaches. URL: https://link.springer.com/article/10.1007/s10462-021-09958-2
3. Naresh S. S., Khethawat S. Emotion Detection from Text URL: https://arxiv.org/abs/1205.4944
4. Baccianella S., Esuli A., Sebastiani F. Sentiwordnet 3.0: an enhanced lexical resource for sentiment analysis and opinion mining // Lrec. 2010. P. 2200–2204
5. Akbik A., Blythe D., Vollgraf R. Contextual string embeddings for sequence labeling // Proceedings of the 27th international conference on computational linguistics. 2010. P. 1638–1649.
6. Keras. URL: https://keras.io/
7. Tensorflow. URL: https://www.tensorflow.org/
8. Numpy. URL: https://numpy.org/
9. Pandas. URL: https://pandas.pydata.org/
10. Aiogram. URL: https://aiogram.dev
11. Asyncio. URL: https://docs.python.org/3/library/asyncio.html
12. Aiohttp. URL: https://docs.aiohttp.org/en/stable/index.html
13. GloVe: Global Vectors for Word Representation. URL: https://nlp.stanford.edu/projects/glove/
14. Google Collab. URL: https://colab.research.google.com
15. Jupyter Notebook. URL: https://docs.jupyter.org/en/latest/install/notebook-classic.html
16. Multi-Class Text Emotion Analysis. URL: https://github.com/kanchitank/Text-Emotion-Analysis
17. Sentiment140 dataset with 1.6 million tweets. URL: https://www.kaggle.com/datasets/kazanova/sentiment140
18. Twitter Emotion Classification. URL: https://www.kaggle.com/code/shtrausslearning/twitter-emotion-classification?scriptVersionId=126983369
19. BiLSTM. URL: https://www.kaggle.com/code/mlwhiz/bilstm-pytorch-and-keras
Рецензия
Для цитирования:
Багаутдинов Д.И., Салман Р., Алексеев В.А., Усмонов Р.М. Решение задачи классификации эмоционального тона сообщения с определением наиболее подходящей архитектуры нейронной сети. Электронные библиотеки. 2023;26(4):396-413. https://doi.org/10.26907/1562-5419-2023-26-4-396-413
For citation:
Bagautdinov D.I., Salman S., Alekseev V.A., Usmonov R.M. Solving the Problem of Classifying the Emotional Tone of a Message with Determining the Most Appropriate Neural Network Architecture. Russian Digital Libraries Journal. 2023;26(4):396-413. (In Russ.) https://doi.org/10.26907/1562-5419-2023-26-4-396-413
Просмотров:
22
Послать статью по эл. почте 