Аналіз настроїв текстових повідомлень із використанням методів машинного навчання

dc.contributor.advisorДмитрієва, Ольга Анатоліївна
dc.contributor.authorСтароконь, Денис Ігорович
dc.date.accessioned2024-11-25T10:09:57Z
dc.date.available2024-11-25T10:09:57Z
dc.date.issued2024
dc.description.abstractДипломна робота: 69 с., 10 рис., 7 табл., 1 додаток, 14 джерел. Об’єктом дослідження є процеси машинного навчання, що орієнтовані на аналіз настроїв текстових повідомлень - відгуків на товари та фільми. Предметом дослідження є алгоритми інтелектуального аналізу текстових даних для визначення тональності відгуків та передбачення настроїв користувачів. Мета роботи полягає у підвищенні ефективності алгоритмів аналізу текстових повідомлень у галузі електронної комерції із застосуванням методів машинного навчання. Методи розробки базуються на використанні основних положень теорії обробки природної мови, математичної статистики, машинного навчання, інтелектуального аналізу даних. Навчання розроблених моделей здійснювалося з використанням методів та систем штучного інтелекту. Проектування програмної частини роботи ґрунтувалося на підходах, що застосовуються при аналізі обчислювальних алгоритмів, було задіяно сучасні технології розробки програмного забезпечення. Практичне значення роботи полягає в створенні програмного продукту для аналізу текстових повідомлень та визначення тональності відгуків на товари у галузі електронної комерції фільмів.
dc.description.abstractotherDiploma thesis: 69 p., 10 figures, 7 tables, 1 appendix, 14 references. This paper presents an in-depth comparative study of various advanced machine learning techniques for binary sentiment classification, focusing on the analysis of Amazon product reviews and IMDB movies reviews. Sentiment classification is a critical component of natural language processing (NLP) and plays a vital role in understanding consumer sentiments in e-commerce. This study specifically compares the effectiveness of traditional machine learning approaches - TF-IDF with Logistic Regression and Naive Bayes - and deep learning methods, including Long Short-Term Memory (LSTM) networks, an Encoder-based Transformer model, BERT with Low-Rank Adaptation (LoRA) fine-tuning, full BERT fine-tuning and Mixture of Experts BERT training.
dc.format.extent75 с.
dc.identifier.citationСтароконь, Д. І. Аналіз настроїв текстових повідомлень із використанням методів машинного навчання : дипломна робота ... бакалавра : 124 Системний аналіз / Староконь Денис Ігорович. - Київ, 2024. - 75 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70774
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectаналіз настроїв
dc.subjectтекстове повідомлення
dc.subjectвикористання методів машинного навчання
dc.subjectнейронні мережі
dc.subjectелектронна комерція
dc.subjectсуміш експертів
dc.subjectentiment analysis
dc.subjecttext message
dc.subjectmachine learning
dc.subjectneural networks
dc.subjecte-commerce
dc.subjectmixture of experts
dc.titleАналіз настроїв текстових повідомлень із використанням методів машинного навчання
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
Starokon_bakalavr.pdf
Розмір:
1.93 MB
Формат:
Adobe Portable Document Format
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: