Детальная информация

Объектом выпускной квалификационной работы являются неструктурированные русскоязычные пользовательские отзывы о коммерческих продуктах. Цель работы заключается в разработке и экспериментальной проверке программного комплекса для систематизации и усреднения оценок коммерческого продукта по отдельным потребительским характеристикам. В работе разработан программный комплекс, выполняющий извлечение кандидатных аспектов из текста отзывов, сопоставление со структурированным гибридным словарём, вторичное обнаружение остаточных аспектов, определение тональности по найденным аспектам и формирование итоговых аспектных оценок на уровне товара. Для определения тональности используется модель логического вывода на естественном языке и две противоположные гипотезы: положительная и отрицательная. Итоговая оценка аспекта формируется на пятибалльной шкале, а для повышения устойчивости итоговых оценок применяется байесовское сглаживание. Экспериментальная проверка проведена на корпусе из 1762 русскоязычных отзывов по 16 объектам анализа четырёх категорий. Конфигурация без управляющего фильтра показала полноту 0,6371 и мягкую F-меру 0,5989. Для модуля тональности переход к двум гипотезам снизил среднюю абсолютную ошибку на уровне пары «отзыв — аспект» с 0,9771 до 0,7281.

The object of the graduate qualification work is unstructured Russian-language user reviews of commercial products. The aim of the work is to develop and experimentally evaluate a software system for systematizing and averaging commercial product scores by separate consumer characteristics. The work presents a software system that extracts candidate aspect phrases from review texts, matches them with a structured hybrid aspect dictionary, detects residual aspects, determines sentiment for the detected aspects, and forms final aspect-level product scores. The sentiment module uses a natural language inference model and two opposite hypotheses: positive and negative. The final aspect score is calculated on a five-point scale, and Bayesian smoothing is applied to improve the stability of aggregated scores. The experimental evaluation was carried out on a corpus of 1762 Russian-language reviews for 16 objects from four categories. The configuration without the control filter achieved recall of 0.6371 and soft F1-score of 0.5989. For the sentiment module, switching to two hypotheses reduced the mean absolute error at the review-aspect pair level from 0.9771 to 0.7281.