EFFICIENCY ESTIMATION OF METHODS FOR SENTIMENT ANALYSIS OF SOCIAL NETWORK MESSAGES
Journal Title: Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї - Year 2019, Vol 0, Issue 2
Abstract
<p class="304Annotationeng"><span lang="EN-US">The results of effectiveness evaluating of machine learning methods for sentiment analysis of social network messages are presented in this paper. The importance of the sentiment analysis problem as one of the important tasks of natural language processing in general and textual information processing in particular is substantiated. A review of existing methods and software for sentiment analysis are made. The choice of classifiers for sentiment analysis of texts for this research is substantiated. The principles of functioning of a Naïve Bayesian Classifier and classifier based on a recurrent neural network are described. Classifiers were sequentially trained in two corpuses: first, in the RuTweetCorp corpus, the corpus of short messages from the social network Twitter, and then on the Slang corpus, the corpus of messages from social networks Facebook and Instagram and posts from the Pikabu website, second corpus have been marked up the tonality of slang words. Information about the tonality of slang words was taken from the youth slang dictionary obtained as a result of the survey of users. The separation of texts by tonality was carried out into three classes: positive, negative and neutral. The efficiency of these classifiers was evaluated. Efficiency evaluation was carried out according to standard metrics Recall, Precision, F-measure, Accuracy. For the naive Bayesian classifier, after training on the first corpus, the following metric values were obtained: Recall = 0,853; Precision = 0,869; F-measure = 0,861; Accuracy = 0,855; and after training on the second corpus such values were obtained: Recall = 0,948; Precision = 0,975; F-measure = 0,961; Accuracy = 0,960. For the classifier based on a recurrent neural network, after training on the first corpus, the following metric values were obtained: Recall = 0,870; Precision = 0,878; F-measure = 0,874; Accuracy = 0,861; and after training on the second corpus such values were obtained: Recall = 0,965; Precision = 0,982; F-measure = 0,973; Accuracy = 0,973. These results prove that additional training on the second corpus increased the efficiency of classifiers by 10–11%.</span></p>
Authors and Affiliations
Natalia Borysova, Karina Melnyk
Keywords
Related Articles
- EP ID EP669220
- DOI 10.20998/2079-0023.2019.02.13
- Views 139
- Downloads 0
Побудова ситуаційного представлення знань на основі аналізу логів
<span>В роботі розглянуто проблему побудови ситуаційних моделей представлення знань з використанням логів процесів. Розроблено методи пошуку патернів ситуації у вигляді послідовностей подій на трасах логу, а також побудо...
Моделирование переходных режимов ядерного реактора ВВЭР-1000 с учетом борного регулирования
<p class="204">Разработаны модели реактора ВВЭР-1000 в виде систем дифференциальных уравнений с относительными переменными состояния, описывающие нейтронную кинетику реактора, тепловые процессы, изменения концентраций кс...
МЕТОДИ ДИНАМІЧНОГО ВИЗНАЧЕННЯ ПРІОРИТЕТІВ ДОСТУПУ ДО РЕСУРСІВ В ЗАДАЧАХ ПРЕЦЕДЕНТНОГО УПРАВЛІННЯ НАСКРІЗНИМИ БІЗНЕС-ПРОЦЕСАМИ
<p class="104"><span lang="UK">В роботі розглянуто проблему прецедентного управління множиною наскрізних бізнес-процесів. Показано, що реалізація прецедентного управління потребує упорядкування доступу до ресурсів шляхом...
ПАРАМЕТРИЧЕСКИЙ СИНТЕЗ СТАБИЛИЗАТОРА КОСМИЧЕСКОЙ СТУПЕНИ С5М РАКЕТЫ-НОСИТЕЛЯ «ЦИКЛОН-3» НА АКТИВНОМ УЧАСТЕ ТРАЕКТОРИИ
<p>Рассматривается задача выбора численных значений варьируемых параметров стабилизатора космической ступени С5М ракеты-носителя «Циклон-3» на активном участке траектории. В настоящее время для решения задач параметричес...
ЗАСТОСУВАННЯ АКТИВНОГО НАВЧАННЯ В СИТУАЦІЇ ЦИКЛІЧНОГО ХОЛОДНОГО СТАРТУ РЕКОМЕНДАЦІЙНОЇ СИСТЕМИ
Досліджено проблему побудови рекомендацій для систем електронної комерції в умовах циклічного холодного старту. Дана проблема виникає при постійній зміні інтересів користувачів протягом строку використання рекомендаційно...