Сентимент-аналіз висловлювань за допомогою рекурентних нейронних мереж

Скорочена інформація про документ
dc.contributor.advisorРупіч, Сергій Сергійович
dc.contributor.authorТимчук, Вадим Віталійович
dc.date.accessioned2024-06-24T14:10:45Z
dc.date.available2024-06-24T14:10:45Z
dc.date.issued2024
dc.description.abstractДипломна робота присвячена дослідженню застосування рекурентних нейронних мереж для задач сентимент-аналізу текстових даних. В роботі розглянуто та реалізовано дві архітектури нейронних мереж: Long Short-Term Memory (LSTM) та Gated Recurrent Unit (GRU). Основна мета дослідження полягає у порівнянні ефективності та точності цих двох архітектур для аналізу настроїв текстових даних, а також у визначенні оптимальних параметрів для кожної з моделей. Для цього проведено серію експериментів, в яких використано набір даних, що складається з 3000 висловів. В результаті роботи показано, що обидві моделі демонструють високу ефективність у задачах сентимент-аналізу, проте моделі на основі GRU мають переваги у швидкості навчання та обчислювальній складності. Запропоновано практичні рекомендації щодо вибору архітектури та налаштувань моделі залежно від конкретних вимог до задачі. Результати цього дослідження можуть бути використані у різних сферах, включаючи маркетинг, аналіз соціальних медіа та системи підтримки клієнтів, де аналіз настроїв тексту може надати цінну інформацію для прийняття рішень.
dc.description.abstractotherThis thesis project is dedicated to the study of the application of recurrent neural networks for sentiment analysis of textual data. The work examines and implements two neural network architectures: Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). The main goal of the study is to compare the efficiency and accuracy of these two architectures for sentiment analysis of text data, and to determine the optimal parameters for each model. For this purpose, we conducted a series of experiments using a dataset consisting of 3000 utterances. The results show that both models demonstrate high efficiency in sentiment analysis tasks, but GRU-based models have advantages in training speed and computational complexity. Practical recommendations are provided regarding the choice of architecture and model settings depending on the specific requirements of the task. The results of this research can be used in various fields, including marketing, social media analysis, and customer support systems, where sentiment analysis of text can provide valuable insights for decision-making.
dc.format.extent72 c.
dc.identifier.citationТимчук, В. В. Сентимент-аналіз висловлювань за допомогою рекурентних нейронних мереж : дипломна робота ... бакалавра : 151 Автоматизація та комп’ютерно-інтегровані технології / Тимчук Вадим Віталійович. – Київ, 2024. – 72 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/67397
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectрекурентні нейронні мережі
dc.subjectLSTM
dc.subjectGRU
dc.subjectсентимент-аналіз
dc.subjectобробка природної мови (NLP)
dc.titleСентимент-аналіз висловлювань за допомогою рекурентних нейронних мереж
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Timchuk_bakalavr.pdf
Розмір:
4.19 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (КІОНС)
Бакалаврські роботи