SENTIMENT TAHLILDA TASNIFLASH SXEMASI
Ключевые слова:
Сентиментальный анализ, создание набора данных, сбор данных, препроцессинг, выделение свойств, выбор модели, обучение модели, оценка, оптимизация, внедрение.Аннотация
Разработка схемы классификации при проведении сентиментального анализа в узбекском языке требует учета таких проблем, как морфологическая сложность языка, обмен кодами и дефицит информации. В данной статье на научной основе анализируются основные этапы, необходимые для разработки схемы классификации в сентиментальном анализе - сбор, очистка и подготовка данных, выделение характеристик, выбор и обучение модели, оценка и оптимизация, а также использование модели.
Библиографические ссылки
1. Cambria, E., Li, Y., Xing, F. Z., Poria, S., & Kwok, K. (2020, October). SenticNet 6: Ensemble application of symbolic and subsymbolic AI for sentiment analysis. In Proceedings of the 29th ACM international conference on information & knowledge management (pp. 105-114).
2. Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams engineering journal, 5(4), 1093-1113.
3. Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends® in information retrieval, 2(1–2), 1-135.
4. Socher, R., Perelygin, A., Wu, J., Chuang, J., Manning, C. D., Ng, A. Y., & Potts, C. (2013, October). Recursive deep models for semantic compositionality over a sentiment treebank. In Proceedings of the 2013 conference on empirical methods in natural language processing (pp. 1631-1642).
5. Tang, D., Wei, F., Qin, B., Yang, N., Liu, T., & Zhou, M. (2015). Sentiment embeddings with applications to sentiment analysis. IEEE transactions on knowledge and data Engineering, 28(2), 496-509.
