В статье исследуется влияние векторной и графовой моделей представления текстов на качество классификации отзывов по тональности с использованием ДСМ-метода автоматического порождения гипотез. Представление текста в виде графа в отличие от векторного представления эффективно моделирует связи между терминами и позволяет отразить структуру документа. В работе эта особенность используется для получения более качественных гипотез, генерируемых в процедуре индукции ДСМ-метода. Приводится сравнительный анализ гипотез в векторной и графовой моделях представления текстов, отмечаются преимущества графовых гипотез перед векторными гипотезами, оценивается эффективность использования исследуемых моделей в задаче классификации текстов по тональности. Эксперименты по определению качества классификации проводятся с применением коллекции отзывов семинара РОМИП-2011.
The influence of vector space and graph-based text representation models on the quality of review sentiment classification with using of the JSM-method of automatic generation of hypotheses is researched in the article. The graph-based text representation unlike vector space one effectively models terms relations and allows to express structure of the document. In article this feature is used for receiving more qualitative hypotheses generated in the procedure of induction of the JSM-method. The comparative analysis of hypotheses in vector space and graph-based text representation models is provided, advantages of graph hypotheses as compared to vector ones are noted, efficiency of using information about structure of texts in task of sentiment classification is estimated. The experiments on estimation of the quality of classification are carried out with using of the text collection of reviews from seminar ROMIP-2011.
1. Автоматическое порождение гипотез в интеллектуальных системах / под ред. В.К. Финна. – М.: Либроком, 2009. – 528 с.
2. Вычегжанин С.В., Котельников Е.В. Исследование влияния способов взвешивания терминов на качество анализа тональности текстов с использованием ДСМ-метода // Информатика: проблемы, методология, технологии: материалы XV Международной научно-методической конференции, Воронеж, 12–13 февраля 2015 г.: в 4-х томах. – Воронеж: Издательский дом ВГУ, 2015. – Т. 3. – С. 236–241.
3. Котельников Е. В. Структура интеллектуальной ДСМ-системы для анализа тональности текстов // Научно-технический вестник Поволжья. – 2013. – № 6. – С. 344–346.
4. Котельников Е.В. Функция оценки информативности гипотез для анализа тональности текстов на основе ДСМ-метода // Фундаментальные исследования. – 2014. – № 11(10). – С. 2150–2154.
5. Котельников Е. В., Клековкина М. В. Определение весов оценочных слов на основе генетического алгоритма в задаче анализа тональности текстов // Программные продукты и системы. – 2013. – № 4. – С. 296–300.
6. Chetviorkin I., Braslavskiy P., Loukachevitch N. Sentiment Analysis Track at ROMIP 2011 // Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference «Dialogue». – 2012. – № 11(18). – Vol. 2. – P. 1–14.
7. Liu B. Sentiment Analysis and Opinion Mining // Synthesis Lectures on Human Language Technologies. – 2012. – Vol. 5(1).
8. Mihalcea R., Tarau P. TextRank: Bringing order into texts // Proceedings of the Conference on Empirical Methods in Natural Language Processing. – Spain, 2004. – P. 404–411.
9. Salton G.A., Wong A., Yang C.S. Vector Space Model for Automatic Indexing // Communications of the ACM. – 1975. – Vol. 18, № 11. – P. 613–620.