Метод та програмне забезпечення автоматичної класифікації природномовних текстових даних за наявністю агресії

Скорочена інформація про документ
dc.contributor.advisorЗаболотня, Тетяна Миколаївна
dc.contributor.authorГришаєв, Дмитро Ігорович
dc.date.accessioned2025-10-14T09:40:26Z
dc.date.available2025-10-14T09:40:26Z
dc.date.issued2025
dc.description.abstractУ рамках даної магістерської дисертації було проведено дослідження, що фокусується на розробленні та реалізації методу, який базується на моделі глибокого навчання, для автоматичної класифікації природномовних текстових даних за наявністю агресії. Під час виконання даної роботи було знайдено та проаналізовано найпопулярніші підходи до класифікації тексту за емоційним забарвленням, зокрема – за наявністю агресії. Запропоновано власний модифікований метод автоматичної класифікації природномовних текстових даних за наявністю агресії із використанням методів глибокого навчання та визначення додаткових ознак агресії. Запропонований метод базується на використанні моделі нейронної мережі ALBERT, за допомогою якої визначаються контекстні та структурні особливості тексту. Врахування додаткових лексичних, морфологічних, структурних ознак агресії та впливу емодзі на загальне емоційне забарвлення забезпечує процес класифікації більшою кількістю вагомої інформації, у результаті чого підвищилася точність визначення наявності агресії в тексті на 2-4% порівняно з базовим методом. Для створення програмної реалізації запропонованого методу розроблено консольний застосунок з використанням технологій Python, Transformers, PyTorch, Scikit-learn, NLTK, Spacy та Pandas.
dc.description.abstractotherAs part of this master's thesis, a study was conducted that focuses on the development and implementation of a method based on a deep learning model for automatic classification of natural language text data by the presence of aggression. During the performance of this work, the most popular approaches to text classification by emotional coloring, in particular by the presence of aggression, were found and analyzed. Our own modified method for automatic classification of natural language text data by the presence of aggression using deep learning methods and determining additional signs of aggression was proposed. The proposed method is based on the use of the ALBERT neural network model, which is used to determine the contextual and structural features of the text. Considering additional lexical, morphological, structural signs of aggression and the influence of emoji on the overall emotional coloring provides the classification process with a greater amount of significant information, because of which the accuracy of determining the presence of aggression in the text increased by 2-4% compared to the basic method. To create software implementation of the proposed method, a console application was developed using Python, Transformers, PyTorch, Scikit-learn, NLTK, Spacy, and Pandas technologies.
dc.format.extent158 с.
dc.identifier.citationГришаєв, Д. І. Метод та програмне забезпечення автоматичної класифікації природномовних текстових даних за наявністю агресії : магістерська дис. : 121 Інженерія програмного забезпечення / Гришаєв Дмитро Ігорович . – Київ, 2025. – 158 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76823
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectінженерія програмного забезпечення
dc.subjectкласифікація тексту
dc.subjectсентимент-аналіз
dc.subjectALBERT
dc.subjectмашинне навчання
dc.subjectознаки агресії
dc.subjectемодзі
dc.subject.udc004.91
dc.titleМетод та програмне забезпечення автоматичної класифікації природномовних текстових даних за наявністю агресії
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Gryshaiev_magistr.pdf
Розмір:
2.73 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

Магістерські роботи (ПЗКС)
Магістерські роботи