Дослідження методів аналізу відгуків про товари магазинів електроніки

Auteurs-es

  • Olekander Vechur Харківський національний університет радіоелектроніки пр. Науки, 14, г. Харків, Україна, 61166, Ukraine https://orcid.org/0000-0001-9605-1475
  • Oleksii Spodarets Харківський національний університет радіоелектроніки пр. Науки, 14, г. Харків, Україна, 61166, Ukraine https://orcid.org/0000-0003-4627-8588

DOI :

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

Mots-clés :

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

Résumé

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

Bibliographies de l'auteur-e

Olekander Vechur, Харківський національний університет радіоелектроніки пр. Науки, 14, г. Харків, Україна, 61166

Кандидат технічних наук, доцент

Кафедра програмної інженерії

Oleksii Spodarets, Харківський національний університет радіоелектроніки пр. Науки, 14, г. Харків, Україна, 61166

Кафедра програмної інженерії

Références

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

Publié-e

2018-06-25

Numéro

Rubrique

Technical Sciences