МЕТОД ВИКОРИСТАННЯ НЕЙРОМЕРЕЖІ ГІБРИДНОЇ АРХІТЕКТУРИ ДЛЯ ВИЗНАЧЕННЯ ЕМОЦІЙНОЇ ТОНАЛЬНОСТІ ТЕКСТОВИХ ПОВІДОМЛЕНЬ

Анотація

У статті розглянуто поточний стан наукового напряму визначення емоційної тональності та представлено метод використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень. Метод використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень призначений для автоматизованого перетворення вхідних даних у вигляді навченої нейромережевої модель гібридної архітектури з токенізатором та текстового повідомлення для аналізу у вихідні дані у вигляді класу приналежності за емоційною тональністю та її числової оцінки.

Метод оснований на застосуванні гібридної нейромережевої архітектури що поєднує CNN та BiLSTM. Запропоноване поєднання  сприяє ефективному виділенню локальних патернів, за рахунок властивостей CNN-шару,  а також дозволяє враховувати довгострокові залежності у тексті, за рахунок властивостей BiLSTM. Нейромережева модель починається з шару Embedding, який перетворює текстові дані у числові вектори фіксованої довжини. Далі застосовується шар, який випадковим чином «відключає» 20% нейронів для зменшення ризику перенавчання. Потім іде шар, що застосовує згортки для виявлення локальних шаблонів у вхідних даних. Наступним є двонаправлений шар LSTM, здатний враховувати контекст з обох кінців послідовності, з механізмами випадкового відключення нейронів для покращення узагальнення. Після цього йде шар, який вибирає максимальні значення з усіх ознак для зменшення розмірності. Останнім етапом є щільний шар з одним нейроном і сигмоїдною активацією, який видає ймовірність належності тексту до класу з позитивною тональністю.

Наведено експериментальне дослідження ефективності застосування методу використання нейромережі гібридної архітектури для визначення емоційної тональності текстових повідомлень за створеним програмним забезпеченням. Встановлено, що використання зазначеної гібридної архітектури дозволяє досягти точності 0.974, що є вищою від наразі відомих аналогів на понад 0.07 для метрики Accuracy.