Концептуальна модель процесу визначення емоційної тональності тексту
Анотація
Задача розпізнавання емоційної тональності текстових фрагментів є важливою проблемою в галузі обробки природної мови з значним академічним і комерційним потенціалом. У роботі представлено концептуальну модель процесу визначення емоційної тональності тексту. Модель забезпечує формалізований та детальний опис задачі, сприяючи розробці відповідних засобів для розпізнавання емоційного забарвлення та тональності фрагментів тексту. Вона систематизує ключові етапи, включаючи формування навчальних даних, вибір архітектури нейронної мережі, її налаштування та навчання, а також безпосереднє використання для розпізнавання емоційного забарвлення та тональності Концептуальна модель визначає залежності між різними факторами, що впливають на ефективність процесу розпізнавання емоційної тональності, такими як якість вхідних даних, параметри нейромережевої моделі, споживання ресурсів та похибки під час навчання і розпізнавання. Це дозволяє виявити критичні аспекти, які слід врахувати для підвищення загальної ефективності системи. Модель також передбачає залучення експертних знань на різних етапах для покращення якості вхідних даних та оптимізації параметрів моделі. Запропонована концептуальна модель може слугувати основою для розробки ефективних засобів розпізнавання емоційного забарвлення та тональності, що матиме практичне застосування в різних галузях, таких як аналіз соціальних мереж, обслуговування клієнтів та маркетинг.
Посилання
2. S. Toliupa, Y. Kulakov, I. Tereikovskyi, O. Tereikovskyi, L. Tereikovska, and V. Nakonechnyi, "Keyboard Dynamic Analysis by Alexnet Type Neural Network," in 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, 2020, pp. 416-420,
3. I. A. Dychka, I. A. Tereikovskyi, O. S. Korovii, L. O. Tereikovska, and V. O. Romankevych, "Evaluation of the effectiveness of means for recognizing the emotional tonality of text fragments," Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, vol. 34 (73), no. 3, part 1, pp. 130-135, 2023.
4. Z. Halim, M. Waqar, and M. Tahir, "A machine learning-based investigation utilizing the in-text features for the identification of dominant emotion in an email," Knowledge-Based Systems, vol. 208, pp. 1–17, 2020.
5. A. Adikari, G. Gamage, D. de Silva, N. Mills, S.-M. J. Wong, and D. Alahakoon, "A self structuring artificial intelligence framework for deep emotions modelling and analysis on the social web," Future Generation Computer Systems, vol. 116, pp. 302–315, 2021.


