Search academic texts

Registration Number

0825U002233, PhD dissertation

Status

Доктор філософії, 122, Комп’ютерні науки

Date

17-06-2025

popup.evolution

.

Title

Analysis of the text sentiment using fuzzy logic and machine learning methods.

Author

Marianna M. Prytula,

popup.head Igor B. Olenych
popup.opponent Nataliia B. Shakhovska
popup.opponent Oleksiy A. Lutsyk
popup.review Oleh S. Kushnir
popup.review Bohdan M. Pavlyshenko

Description

У дисертаційній роботі досліджено та запропоновано підходи до визначення тональності текстів з акцентом на аналіз україномовних матеріалів, які ґрунтуються на поєднанні методів на основі словників і правил, нечіткої логіки, машинного та глибокого навчання. Розроблено систему нечіткого висновку на основі алгоритму Мамдані для агрегування даних про належність слів до емоційних категорій та обчислення кількісного значення тональності тексту. Запропоновано доповнити підхід на основі україномовних тональних словників засобами нечіткого моделювання для врахування інтегральної оцінки тексту за категоріями тональності. Проведено порівняння класичних та ансамблевих алгоритмів машинного навчання у комбінації із методами векторного представлення тексту “мішка слів” та TF–IDF для бінарної та багатокласової класифікації тональності текстів. Запропоновано інженерію ознак з використанням тональних словників і нечіткого моделювання для підвищення ефективності розпізнавання агресивної риторики та фейків у новинних повідомленнях. Розроблено нейромережеві моделі на основі простої RNN, LSTM, GRU, BiLSTM та гібридні архітектури CNN–LSTM і LSTM–CNN для сентимент-аналізу текстів. Реалізовано баєсову оптимізацію гіперпараметрів моделей і проведено порівняння ефективності використання методів векторного представлення тексту Word2Vec, Glove, FastText та об'єднаного вектору із трьох ембедінгів через операцію конкатенації. Враховуючи сучасні тенденції розвитку мовних моделей, у дисертаційній роботі досліджено підходи до адаптації моделей для аналізу тональності текстів. Проведено тонке налаштування моделей-транформерів BERT-base, DistilBERT, XLM-RoBERTa, Ukr-RoBERTa, а також реалізовано підхід вилучення ознак. Реалізовано параметрично ефективне навчання з квантизацією для адаптації моделі LLAMA3 до задачі сентимент-аналізу текстів українською мовою. Для дослідження впливу зовнішніх ресурсів на точність класифікації тональності текстів за допомогою моделі Mistral-7B-UK проаналізовано застосування zero-shot підходу та пошуку з доповненою генерацією.

popup.nrat_date

2025-06-10