Standard

Анализ тональности новостных статей. / Ненашев, Михаил Дмитриевич.

In: ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, Vol. 6, No. 1, 2019, p. 326-330.

Research output: Contribution to journal › Article

Harvard

Ненашев, МД 2019, 'Анализ тональности новостных статей.', ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, vol. 6, no. 1, pp. 326-330. <http://elibrary.ru/item.asp?id=38095780>

APA

Ненашев, М. Д. (2019). Анализ тональности новостных статей. ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ, 6(1), 326-330. http://elibrary.ru/item.asp?id=38095780

Vancouver

Ненашев МД. Анализ тональности новостных статей. ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ. 2019;6(1):326-330.

Author

Ненашев, Михаил Дмитриевич. / Анализ тональности новостных статей. In: ПРОЦЕССЫ УПРАВЛЕНИЯ И УСТОЙЧИВОСТЬ. 2019 ; Vol. 6, No. 1. pp. 326-330.

BibTeX

@article{f07a5340152b4cd3aebfcc3575b1633e,
title = "Анализ тональности новостных статей.",
abstract = "В представленной работе рассматривается пошаговый алгоритм для того, чтобы произвести анализ тональности текстовых данных с использованием машинного обучения. В статье дано представление о возможных подходах к решению задачи. Обозначены следующие шаги для выявления эмоциональной окраски текстов: очистка текстовых данных, токенизация, нормализация, извлечение признаков из текстов, обучение моделей на данных. В качестве подходов к нормализации представлены стемминг и лемматизация. Для того, чтобы извлекать признаки из текста предлагается использовать мешок слов, TF-IDF. Оценка качества модели представлена с помощью метрик precision, recall, f1-score.",
keywords = "machine learning, natural language processing, sentiment analysis, анализ тональности, машинное обучение, обработка естественного языка, machine learning, natural language processing, sentiment analysis, анализ тональности, машинное обучение, обработка естественного языка",
author = "Ненашев, {Михаил Дмитриевич}",
year = "2019",
language = "русский",
volume = "6",
pages = "326--330",
journal = "Процессы управления и устойчивость",
issn = "2313-7304",
publisher = "Смирнов Николай Васильевич",
number = "1",

}

RIS

TY - JOUR

T1 - Анализ тональности новостных статей.

AU - Ненашев, Михаил Дмитриевич

PY - 2019

Y1 - 2019

N2 - В представленной работе рассматривается пошаговый алгоритм для того, чтобы произвести анализ тональности текстовых данных с использованием машинного обучения. В статье дано представление о возможных подходах к решению задачи. Обозначены следующие шаги для выявления эмоциональной окраски текстов: очистка текстовых данных, токенизация, нормализация, извлечение признаков из текстов, обучение моделей на данных. В качестве подходов к нормализации представлены стемминг и лемматизация. Для того, чтобы извлекать признаки из текста предлагается использовать мешок слов, TF-IDF. Оценка качества модели представлена с помощью метрик precision, recall, f1-score.

AB - В представленной работе рассматривается пошаговый алгоритм для того, чтобы произвести анализ тональности текстовых данных с использованием машинного обучения. В статье дано представление о возможных подходах к решению задачи. Обозначены следующие шаги для выявления эмоциональной окраски текстов: очистка текстовых данных, токенизация, нормализация, извлечение признаков из текстов, обучение моделей на данных. В качестве подходов к нормализации представлены стемминг и лемматизация. Для того, чтобы извлекать признаки из текста предлагается использовать мешок слов, TF-IDF. Оценка качества модели представлена с помощью метрик precision, recall, f1-score.

KW - machine learning

KW - natural language processing

KW - sentiment analysis

KW - анализ тональности

KW - машинное обучение

KW - обработка естественного языка

KW - machine learning

KW - natural language processing

KW - sentiment analysis

KW - анализ тональности

KW - машинное обучение

KW - обработка естественного языка

M3 - статья

VL - 6

SP - 326

EP - 330

JO - Процессы управления и устойчивость

JF - Процессы управления и устойчивость

SN - 2313-7304

IS - 1

ER -

ID: 78409095