В данной работе рассмотрены искусственные нейронные сети, использующиеся для классификации текстов, изложена сущность подходов к комбинированию и проведен анализ существующих реализаций комбинирования. Описаны основные операторы генетического алгоритма и его различия с традиционными методами оптимизации. Приведено описание архитектуры сверточной нейронной сети с подробной характеристикой каждого слоя, выделены основные гиперпараметры сети. Разработан прототип системы для решения задачи бинарной классификации текстов по их эмоциональной окраске, на базе сверточной нейронной сети. Представлено проведенное тестирование сети и выбор на его основе функции приспособленности генетического алгоритма. Реализован генетический алгоритм для предсказания количества фильтров сети необходимого для получения заданного или максимального процента распознаваемости при установленном ограничении на время работы и приведено тестирование сети с параметрами, полученными с его помощью. Результаты исследования могут быть востребованы в областях, связанных с анализом онлайн-контента.

This article considers artificial neural networks used for classifying texts, describes the essence of approaches to combining, and analyzes existing implementations of combining. The main operators of the genetic algorithm and its differences with traditional optimization methods are described. The architecture of a convolutional neural network is described with detailed characteristics of each layer, and the main hyperparameters of the network are noted. A prototype of a system for solving the problem of binary classification of texts based on their emotional color, based on a convolutional neural network, has been developed. The article presents the network testing and selection of the genetic algorithm fitness function based on it. A genetic algorithm is Implemented to predict the number of network filters needed to obtain a given or maximum percentage of recognizability under a set time limit. The results of the research can be used in areas related to online content analysis.