DOI: https://doi.org/10.15587/2313-8416.2018.135069

Дослідження методів аналізу відгуків про товари магазинів електроніки

Olekander Vechur, Oleksii Spodarets

Аннотация


Робота присвячена вивченню методів аналізу відгуків про товари магазинів електроніки. Предметом дослідження є відгуки про товари. Метою роботи є аналіз методів обробки природної мови в контексті задачі аналізу відгуків. Методом дослідження є комп'ютерне та математичне моделювання.

В роботі були розглянуті різні класи методів аналізу відгуків про товари магазинів електроніки, в якості практичної реалізації було проведено порівняння результатів передбачення. Результати дослідження мають застосування при аналізі відгуків будь-якого магазину


Ключевые слова


обробка природної мови; обчислювальні алгоритми; аналіз даних; комп’ютерна лінгвістика

Полный текст:

PDF (Українська)

Литература


Ratner, A., De Sa, C., Wu, S., Selsam, D., Re, C. (2016). Data programming: Creating large training sets, quickly. Advances in Neural Information Processing Systems (NIPS). New York: Curran Associates, 3567–3575.

Lei, T., Barzilay, R., Jaakkola, T. (2016). Rationalizing neural predictions. Empirical Methods in Natural Language Processing. Austin, 107–117. doi: http://doi.org/10.18653/v1/d16-1011

Roth, B., Klakow, D. (2013). Combining generative and discriminative model scores for distant supervision. Empirical Methods in Natural Language Processing. Seattle, 24–29.

Srivastava, S., Labutov, I., Mitchell, T. (2017). Joint concept learning and semantic parsing from natural language explanations. Empirical Methods in Natural Language Processing. Copenhagen, 1527–1536. doi: http://doi.org/10.18653/v1/d17-1161

Voigt, R., Jurafsky, D. (2015). The Users Who Say 'Ni': Audience Identification in Chinese-language Restaurant Reviews. Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Beijing, 314–319. doi: http://doi.org/10.3115/v1/p15-2052

% Of Consumers Trust Online Reviews As Much As Personal Recommendations. Search Engine Land. Available at: https://searchengineland.com/88-consumers-trust-online-reviews-much-personal-recommendations-195803 Last accessed: 04.06.2018

Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank. Stanford University Sentiment Analysis. Available at: https://nlp.stanford.edu/sentiment/ Last accessed: 07.06.2018

Wang, S., Manning, C. (2012). Baselines and Bigrams: Simple, Good Sentiment and Topic Classification. Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics. Jeju, 90–94.

Hochreiter, S., Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9 (8), 1735–1780. doi: http://doi.org/10.1162/neco.1997.9.8.1735

LeCun, Y., Boser, B., Denker, J. S., Henderson, D., Howard, R. E., Hubbard, W., Jackel, L. D. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1 (4), 541–551. doi: http://doi.org/10.1162/neco.1989.1.4.541


Пристатейная библиография ГОСТ


Data programming: Creating large training sets, quickly / Ratner A. et. al. // Advances in Neural Information Processing Systems (NIPS). New York: Curran Associates, 2016. P. 3567–3575.

Lei T., Barzilay R., Jaakkola T. Rationalizing neural predictions // Empirical Methods in Natural Language Processing. Austin, 2016. P. 107–117. doi: http://doi.org/10.18653/v1/d16-1011 

Roth B., Klakow D. Combining generative and discriminative model scores for distant supervision // Empirical Methods in Natural Language Processing. Seattle, 2013. P. 24–29.

Srivastava S., Labutov I., Mitchell T. Joint concept learning and semantic parsing from natural language explanations // Empirical Methods in Natural Language Processing. Copenhagen, 2017. P. 1527–1536. doi: http://doi.org/10.18653/v1/d17-1161 

Voigt R., Jurafsky D. The Users Who Say 'Ni': Audience Identification in Chinese-language Restaurant Reviews // Proceedings of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing. Beijing, 2015. P. 314–319. doi: http://doi.org/10.3115/v1/p15-2052 

88% Of Consumers Trust Online Reviews As Much As Personal Recommendations // Search Engine Land. URL: https://searchengineland.com/88-consumers-trust-online-reviews-much-personal-recommendations-195803 (Last accessed: 04.06.2018)

Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank // Stanford University Sentiment Analysis. URL: https://nlp.stanford.edu/sentiment/ (Last accessed: 07.06.2018)

Wang S., Manning C. Baselines and Bigrams: Simple, Good Sentiment and Topic Classification // Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics. Jeju, 2012. P. 90–94.

Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9, Issue 8. P. 1735–1780. doi: http://doi.org/10.1162/neco.1997.9.8.1735 

Backpropagation Applied to Handwritten Zip Code Recognition / LeCun Y. et. al. // Neural Computation. 1989. Vol. 1, Issue 4. P. 541–551. doi: http://doi.org/10.1162/neco.1989.1.4.541 







Copyright (c) 2018 Olekander Vechur, Oleksii Spodarets

Creative Commons License
Эта работа лицензирована Creative Commons Attribution 4.0 International License.

ISSN 2313-8416 (Online), ISSN 2313-6286 (Print)