Details

В данной работе изложены подходы к созданию и экспериментальному исследованию улучшенной модели наивного байесовского классификатора для распознавания эмоций в текстах на русском языке. Рассмотрены основные аспекты области обработки естественного языка (Natural Language Processing). Выявлены как достижения, так и ограничения существующих несетевых методов машинного обучения. Разработаны дополнительные методы интеграции в алгоритм байесовского классификатора, направленные на повышение его эффективности в распознавании эмоциональной окраски текстов. Предложена и спроектирована улучшенная модель байесовского классификатора на языке Python с использованием библиотек для обработки текстов и машинного обучения. Модель протестирована на нескольких метриках, что позволило получить объективные показатели ее производительности. Также проведено сравнение улучшенного классификатора с существующими решениями в данной области. Выполнена апробация на независимых данных. Статистическая обработка полученных результатов позволила сделать выводы о применимости данного классификатора в реальных задачах, например, анализ отзывов, мониторинг социальных сетей, требующие учета эмоциональной составляющей текста.

This work describes approaches to the creation and experimental study of an improved naive Bayesian classifier model for recognizing emotions in Russian texts. The main aspects of the field of Natural Language Processing are considered. Both the achievements and limitations of existing non-network machine learning methods have been identified. Additional methods of integration into the Bayesian classifier algorithm have been developed, aimed at increasing its effectiveness in recognizing the emotional coloring of texts. An improved model of the Bayesian classifier in Python using libraries for text processing and machine learning is proposed and designed. The model has been tested on several metrics, which allowed us to obtain objective indicators of its performance. The improved classifier is also compared with existing solutions in this field. Testing was performed on independent data. Statistical processing of the obtained results allowed us to draw conclusions about the applicability of this classifier in real-world tasks, for example, the analysis of reviews, monitoring of social networks, requiring consideration of the emotional component of the text.