РОЗРОБКА ІНТЕЛЕКТУАЛЬНОЇ МОДЕЛІ ПО РОЗПІЗНАВАННЮ ЕМОЦІЙ В ТЕКСТІ
Анотація
У статті запропоновано модель і набір даних для неї, які дозволять отримати розпізнавання деяких емоцій в тексті з певною точністю. Предметом вивчення в статті є модель по розпізнаванню емоцій в тексті. Метою статті є дослідження та побудова моделі по розпізнаванню емоцій в текстіз подальшою можливістю застосування для кращого розуміння споживача, вимірювання рівня щастя у населення, розуміння настрою аудиторії і інших схожих сферах. Задача, що вирішується. Досліджено можливості реалізації моделі для розпізнавання емоцій в тексті. Визначено функції програми, яка буде взаємодіяти з моделлю і вимоги до самої моделі. В статті розглядається: актуальне питання розпізнавання емоцій людини в тексті. Проаналізовано пропозиції наявних продуктів на ринку, які пропонують схожий функціонал. Наведено послідовність кроків отримання даних для тренування моделі і власної реалізації. Особлива увага звертається на можливості розвитку застосування і поліпшення даного підходу. Висновки. Представлено розроблену архітектуру моделі, обрано та обґрунтовано використання мови програмування, обрано та обґрунтовано використання методів і підходів для тренування моделі, розглянуті джерела вихідних даних та варіанти отримання даних для тренування моделі
Завантаження
Посилання
2. Text analytics by Microsoft: [Електронний ресурс]: –Режим доступа: https://azure.microsoft.com/ru-ru/services/ cognitive-services/text-analytics/#features (дата звернення 14.08.2020). – Назва з екрана.
3. IBM Watson Tone Analyzer:[Електронний ресурс].– Режим доступа:https://tone-analyzer-demo.ng.bluemix.net(дата звернення 25.09.2020). – Назва з екрана.
4. MonkeyLearn sentiment analysis:[Електронний ресурс].– Режим доступа: https://monkeylearn.com/sentiment-analysis(дата звернення 30.09.2020). – Назва з екрана.
5. Batbaatar E. Semantic-Emotion Neural Network for Emotion Recognition From Text /E.Batbaatar, M.Li and Ryu K.H. // IEEE Access. – vol. 7. –2019.–pp. 111866-111878, doi: 10.1109/ACCESS.2019.2934529.
6. Gruber,N. Are GRU cells more specific and LSTM cells more sensitive in motive classification of text?/ Gruber,N.; Jockisch A. //Frontiers in Artificial Intelligence.– No 3–2020. doi:10.3389/frai.2020.00040.
7. Aurélien GéronHands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow.– Sebastopol, CA: O'Reilly Media. 2019. –pp. 448.
8. Saon, G., & Picheny, M. (2017). Recent advances in conversational speech recognition using convolutional and recurrent neural networks. IBM Journal of Research and Development, 61(4/5), 1-1.
9. Gupta A. et al. Generative recurrent networks for de novo drug design //Molecular informatics. – 2018. – Т. 37. – No. 1-2. – С. 1700111.
10. Sentiment Analysis: Emotion in Text:[Електронний ресурс].– Режим доступа: https://www.kaggle.com/c/sa-emotions/data (дата звернення 01.11.2020). – Назва з екрана.
11. Complete Tweet Sentiment Extraction Data:[Електронний ресурс].– Режим доступа: https://www.kaggle.com/maxjon/complete-tweet-sentiment-extraction-data
12. The GoEmotions dataset:[Електронний ресурс].– Режим доступа: https://github.com/google-research/google-research/tree/master/goemotions (дата звернення 17.07.2020). – Назва з екрана.
13. Python is a programming language that lets you work more quickly and integrate your systems more effectively:[Електронний ресурс].– Режим доступа:: https://www.python.org/ (дата звернення 20.09.2020). – Назва з екрана
14. Ben M. Packaging data analytical work reproducibly using R (and friends) / M. Ben, C. Boettiger and L. Mullen // The American Statistician. –No 72.1. – (2018).– р. 80-88.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
