Решение задачи классификации эмоционального тона сообщения с определением наиболее подходящей архитектуры нейронной сети
Main Article Content
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:
Article Details
Библиографические ссылки
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
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.