ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ТОНАЛЬНОСТИ ТЕКСТА В СОЦИАЛЬНЫХ СЕТЯХ

Гылыджов Б.; Мухаммедов Н.; Нурмухаммедов Н.; Ниязова А.

Улучшение принятия решений: Предоставление оперативной и достоверной информации для принятия обоснованных управленческих решений.

Внедрение цифровых двойников требует значительных инвестиций в ^-инфраструктуру, программное обеспечение и обучение персонала. Важной задачей является интеграция данных из различных источников и создание единой информационной платформы. В перспективе ожидается дальнейшее развитие технологий искусственного интеллекта и машинного обучения, что позволит создавать более сложные и интеллектуальные цифровые двойники, способные к самообучению и автономному принятию решений.

Список использованной литературы:

1. Романов К.В., Рыбаков М.А. Цифровое производство: методы, средства, управление. — М.: Инфра-Инженерия, 2018.

2. Боровков А.И., Буданов В.Г., Колесников А.В. и др. Цифровые двойники в машиностроении: монография / под общ. ред. А.И. Боровкова, А.В. Колесникова. — СПб.: Изд-во Политехн. ун-та, 2019.

УДК 65.012.12

Гылыджов Б., преподаватель, Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Мухаммедов Н., студент, Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Нурмухаммедов Н., студент, Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Ниязова А., студент,

Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад

ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ТОНАЛЬНОСТИ ТЕКСТА В СОЦИАЛЬНЫХ СЕТЯХ

Аннотация

В данной статье рассматривается проблема анализа тональности текста в социальных сетях. Представлен обзор существующих методов машинного обучения, применяемых для решения данной задачи, включая методы на основе словарей, наивный байесовский классификатор, метод опорных векторов и глубокое обучение. Проводится сравнительный анализ эффективности различных методов на примере набора данных, содержащего сообщения из Twitter. Обсуждаются преимущества и недостатки каждого метода, а также перспективы дальнейших исследований в данной области.

Ключевые слова:

анализ тональности, машинное обучение, социальные сети, обработка естественного языка, наивный байесовский классификатор, метод опорных векторов, глубокое обучение.

Социальные сети стали неотъемлемой частью современного общества, предоставляя пользователям платформу для обмена информацией и выражения своего мнения. Анализ тональности

текста в социальных сетях позволяет получить ценную информацию об отношении пользователей к различным событиям, продуктам и услугам. Эта информация может быть использована для маркетинговых исследований, мониторинга общественного мнения и принятия управленческих решений.

• Методы на основе словарей: Данные методы используют заранее составленные словари, содержащие слова и фразы, ассоциированные с определенной тональностью (позитивной, негативной или нейтральной). Тональность текста определяется на основе количества слов с той или иной тональностью.

• Наивный байесовский классификатор: Этот метод основан на теореме Байеса и предполагает независимость признаков. Он широко используется для классификации текстов, в том числе для анализа тональности.

• Метод опорных векторов (SVM): SVM является мощным алгоритмом машинного обучения, который строит гиперплоскость, максимально разделяющую классы.

• Глубокое обучение: Методы глубокого обучения, такие как рекуррентные нейронные сети (RNN) и сверточные нейронные сети (CNN), демонстрируют высокую эффективность в задачах обработки естественного языка, включая анализ тональности.

Для проведения эксперимента был использован набор данных, содержащий сообщения из Twitter. Были реализованы различные методы машинного обучения, включая наивный байесовский классификатор, SVM и LSTM (Long Short-Term Memory - разновидность RNN). Произведено сравнение точности, полноты и F1-меры для каждого метода. Список использованной литературы:

1. Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.

2. Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python. O'Reilly Media Inc.

3. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780.

УДК 65.012.12

Гылыджов Б., преподаватель, Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Оразбердиева А., студент, Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Сапарбаев У., студент,

Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад Йеграева Г., студент,

Туркменский государственный архитектурно-строительный институт,

Туркменистан, г. Ашхабад

ИСПОЛЬЗОВАНИЕ ТЕХНОЛОГИИ БЛОКЧЕЙН ДЛЯ ОБЕСПЕЧЕНИЯ БЕЗОПАСНОСТИ ДАННЫХ В СИСТЕМАХ ЭЛЕКТРОННОГО ДОКУМЕНТООБОРОТА

Аннотация

В данной статье рассматривается применение технологии блокчейн для повышения безопасности и

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Гылыджов Б., Мухаммедов Н., Нурмухаммедов Н., Ниязова А.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Гылыджов Б., Мухаммедов Н., Нурмухаммедов Н., Ниязова А.

Текст научной работы на тему «ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ АНАЛИЗА ТОНАЛЬНОСТИ ТЕКСТА В СОЦИАЛЬНЫХ СЕТЯХ»