dc.contributor.author | Бондарчук, В. Ю. | uk |
dc.date.accessioned | 2019-12-05T10:33:18Z | |
dc.date.available | 2019-12-05T10:33:18Z | |
dc.date.issued | 2019 | |
dc.identifier.citation | Бондарчук В. Порівняння методів аналізу тональності тексту [Електронний ресурс] / В. Бондарчук // Матеріали XLVIII науково-технічної конференції підрозділів ВНТУ, Вінниця, 13-15 березня 2019 р. – Електрон. текст. дані. – 2019. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2019/paper/view/7017. | uk |
dc.identifier.uri | http://ir.lib.vntu.edu.ua//handle/123456789/27089 | |
dc.description.abstract | Обґрунтовано актуальність задачі визначення тональності текстів. Зазначено, що для розв’язання цієї задачі застосовують, зокрема наївний Байєсівський класифікатор метод максимальної ентропії, та метод опорних векторів. Для вибору потрібно керуватись, технічними можливостями та точністю результату і можна спробувати скомбінувати ці методи. | uk |
dc.description.abstract | The relevance of the task of determining the texts sentiment analysis is indicated. It is noted that in order to solve this problem, the naive Bayesian classifier, method of maximum entropy, and the method of reference vectors are used in particular. You need to be guided by the technical options and the result accuracy and you can try to combine these techniques. | en |
dc.language.iso | uk_UA | uk_UA |
dc.publisher | ВНТУ | uk |
dc.relation.ispartof | Матеріали XLVIII науково-технічної конференції підрозділів ВНТУ, Вінниця, 13-15 березня 2019 р. | uk |
dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2019/paper/view/7017 | |
dc.subject | аналіз тональності | uk |
dc.subject | наївний Байєсівський класифікатор | uk |
dc.subject | метод опорних векторів | uk |
dc.subject | sentiment analysis | en |
dc.subject | naive Bayes classifier | en |
dc.subject | support vector machine | en |
dc.title | Порівняння методів аналізу тональності тексту | uk |
dc.type | Thesis | |
dc.identifier.udc | 004.852 | |
dc.relation.references | Барсегян А. А. Анализ данных и процессов: учеб. пособие / А. А. Барсегян, М. С. Куприянов, И. И. Холод, М. Д. Тесс, С. И. Елизаров. – 3-е изд., перераб. и доп. Санкт-Петербург : БХВ-Петербург, 2009. – 512 с. | ru |
dc.relation.references | Yang Y. A re-examination of text categorization methods / Y. Yang, X. Liu // Proc. of Int. ACM Conference on Research and Development in Information Retrieval (SIGIR-99), 1999. – P. 42 – 49. | en |
dc.relation.references | Месюра В. І. Основи проектування систем штучного інтелекту. Навчальний посібник / В. І. Месюра, Л. М. Ваховська. – В. : ВДТУ, 2000. – 96 с. | uk |
dc.relation.references | Вагин В. Н. Достоверный и правдоподобный вывод в интеллектуальных системах / В. Н. Вагин, Е. Ю. Головина, А. А. Загорянская, М. В. Фомина. – Москва: Физматлит, 2004. – 704 с. | ru |
dc.relation.references | Quinlan J. R. C4.5 Programs for machine learning. – Morgan Kaufmann, – San Mateo, Californie, 1993. | en |
dc.relation.references | Айвазян С. А. Прикладная статистика: классификация и снижение размерности / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. – Москва: Финансы и статистика, 1989. | ru |
dc.relation.references | Joachims Т. Making large-scale SVM learning practical / T. Joachims // Advances in Kernel Methods Support Vector Learning. – MIT Press, 1999. – 218 p. | en |
dc.relation.references | В. Колодний і Д. Кудрявцев, ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВІЗУАЛЬНОГО МОДЕЛЮВАННЯ ТА ОБРОБКИ ТЕРНАРНИХ ГЕШТАЛЬТ-РАНЖУВАНЬ, ІТКІ, vol 42, № 2, с. 26-34, Жов 2018. | uk |
dc.relation.references | Застосування гештальт-ранжувань для виявлення переваг ОПР / В. В. Колодний, В. В. Зубко // «Інтернет-освіта-наука-2016» : Збірник матеріалів конференції. – Вінниця : ВНТУ, 2016. – С. 43 – 44. | uk |