С 17 марта 2020 г. для ресурсов (учебные, научные, материалы конференций, статьи из периодических изданий, авторефераты диссертаций, диссертации) ЭБ СПбПУ, обеспечивающих образовательный процесс, установлен особый режим использования. Обращаем внимание, что ВКР/НД не относятся к этой категории.

Details

Title: Программа анализа тональности текстов на основе методов машинного обучения: выпускная квалификационная работа бакалавра: 09.03.04 - Программная инженерия ; 09.03.04_01 - Технология разработки и сопровождения качественного программного продукта
Creators: Бухалова Анастасия Дмитриевна
Scientific adviser: Дробинцев Павел Дмитриевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2019
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: машинное обучение; анализ тональности; обработка естественного языка; наивный байесовский классификатор; нейронные сети; метод опорных векторов; machine learning; sentiment analysis; natural language processing; naive bayes classifier; neural network; support vector machine
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 09.03.04
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
Links: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2019/vr/vr19-4549
Rights: Свободный доступ из сети Интернет (чтение)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Работа посвящена разработке программы анализа тональности текстов на основе следующих методов машинного обучения: наивный байесовский классификатор, метод опорных векторов, нейронные сети. В главе 1 производится обзор подходов, применяемых в области анализа тональности, сложностей, встречающиеся при решении задач, и существующих исследований, анализирующих перечисленные подходы. В главе 2 рассматриваются суть задачи классификации, алгоритмы классификации, а также их математические модели. В главе 3 описывается программная реализация данных алгоритмов в применении к анализу пользовательских рецензий. Напоследок, в главе 4 приводится обзор собираемых метрик и производится анализ результатов.

The work is devoted to the development of a sentiment analysis program based on the following machine learning methods: naïve Bayes classifier, support vector machine and neural networks. Chapter 1 reviews the approaches used in the field of sentiment analysis, the difficulties encountered in solving its problems and existing studies that analyze the listed approaches. Chapter 2 discusses the essence of the classification problem, classification algorithms and their mathematical models. Chapter 3 describes the software implementation of these algorithms applied to the analysis of user reviews. Finally, Chapter 4 provides an overview of the metrics collected and contains analysis of the results.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read
Internet Authorized users Read
-> Internet Anonymous

Document usage statistics

stat Document access count: 41
Last 30 days: 7
Detailed usage statistics