| dc.contributor.author | Черес, Б. О. | uk |
| dc.contributor.author | Озеранський, В. С. | uk |
| dc.contributor.author | Cheres, B. O. | en |
| dc.contributor.author | Ozeransky, V. S. | en |
| dc.date.accessioned | 2026-09-03T10:50:53Z | |
| dc.date.available | 2026-09-03T10:50:53Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Черес Б. О., Озеранський В. С. Особливості застосування інформаційних технологій аналізу та розпізнавання тональності текстових коментарів // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30176. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/53690 | |
| dc.description.abstract | Запропоновано підхід до підвищення ефективності інформаційної технології аналізу та розпізнавання тональності текстових коментарів на основі комбінованого застосування методів векторних представлень слів, тонкого налаштування трансформерних моделей та каскадної маршрутизації за рівнем упевненості. | uk |
| dc.description.abstract | An approach is proposed to improve the effectiveness of information technology for analysing and recognising the tone of text comments, based on the combined application of methods involving vector representations of words, finetuning of transformer models, and cascaded routing based on confidence levels. The paper outlines the features of a method for automatically expanding the Ukrainian tone dictionary based on the principle of semantic similarity of word vector representations to cover slang and neologisms which are absent from the base dictionary, and approaches are defined for forming a cascaded classification model based on fine-tuning Transformer models for the accurate recognition of the tone of comments that are classified as ambiguous at the lexical level. The feasibility of using a cascade routing mechanism based on a confidence threshold for lexical assessment to adaptively improve the computational efficiency of tone analysis technology has been substantiated. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/30176 | |
| dc.subject | аналіз тональності | uk |
| dc.subject | обробка природної мови | uk |
| dc.subject | інформаційні технології | uk |
| dc.subject | семантичнаподібність | uk |
| dc.subject | каскадна архітектура | uk |
| dc.subject | BERT | en |
| dc.subject | трансформерні моделі | uk |
| dc.subject | тональний словник | uk |
| dc.subject | sentiment analysis | en |
| dc.subject | natural language processing | en |
| dc.subject | information technology | en |
| dc.subject | semantic similarity | en |
| dc.subject | cascadearchitecture | en |
| dc.subject | BERT | en |
| dc.subject | transformer models | en |
| dc.subject | sentiment lexicon | en |
| dc.title | Особливості застосування інформаційних технологій аналізу та розпізнавання тональності текстових коментарів | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.89 : 004.912 | |
| dc.relation.references | з текстами соціальних мереж; вибір fastText зумовлений урахуванням підслівної (субсловесної) інформації, що покращує якість векторних представлень та рідковживаних словоформ і дозволяє оцінювати навіть слова, яких не було в навчальному корпусі. Для кожного слова, відсутнього в базовому словнику, обчислюється косинусна подібність до k найближчих слів базового словника у векторному просторі. Тональна оцінка нового слова формується як зважена за подібністю сума оцінок цих k найближчих сусідів. Якщо максимальна подібність до жодного слова базового словника не перевищує заданого порогу, слово залишається неоціненим, що автоматично сигналізує лексиконному рівню про недостатню впевненість і слугує додатковою підставою для ескалації коментаря на трансформерний рівень. Інтеграція спеціального словника до системи аналізу настрою тексту. Цей словник використовується на першому рівні системи аналізу, а саме спочатку ідентифікуються фрагменти тексту, написані різними мовами. Наступним кроком спеціальний словник із коригувальними коефіцієнтами для підсилювальних і пом'якшувальних слів та частки заперечення «не» обчислює загальний показник тональності коментаря. Якщо значення цього показника перевищує заданий поріг упевненості, результат класифікації формується одразу, без залучення моделі глибокого навчання. Лише ті коментарі, які отримали неоднозначну оцінку за словником, тобто показник близький до нуля, містять суперечливі сигнали або велику кількість слів, яких немає у словнику, — передаються на другий рівень аналізу: спеціальну модель XLM-RoBERTa або Ukr-RoBERTa. Для додаткового зниження обчислювальних витрат другого рівня доцільним є застосування дистильованої версії моделі за технікою knowledge distillation [12], навченої на м'яких метках базової трансформерної моделі, що дозволяє зберегти 95–97% точності за значно нижчої обчислювальної вартості. Перевага запропонованого підходу при реалізації в інформаційній технології аналізу та розпізнавання тональності текстових коментарів над існуючими аналогами визначається синергетичним ефектом трьох компонентів. Векторні представлення слів усувають проблему статичності тонального словника, охоплюючи сленгову лексику та неологізми, відсутні в базовому вручну укладеному лексиконі. Трансформерна модель забезпечує точну контекстну класифікацію неоднозначних випадків на основі довгострокових семантичних залежностей між словами у реченні. Механізм каскадної маршрутизації замикає контур ефективності, спрямовуючи на ресурсомісткий трансформерний рівень лише ті коментарі, лексиконна оцінка яких є неоднозначною. Жоден із розглянутих існуючих засобів (VADER, TextBlob, хмарні API) не поєднує автоматичне розширення словникового покриття, контекстну точність трансформерних моделей та економний розподіл обчислювальних ресурсів одночасно в єдиній технології, адаптованій до специфіки україномовного контенту. Висновки Розроблення інформаційної технології аналізу та розпізнавання тональності текстових коментарів є актуальним напрямком досліджень, що має значний потенціал для підвищення точності й обчислювальної ефективності автоматизованого опрацювання україномовного контенту та наближення автоматизованих систем до рівня кваліфікованого людського модератора, здатного розпізнавати сленг, іронію та контекстуальні відтінки висловлювань. Застосування методів обробки природної мови дозволяє створювати адаптивні системи класифікації, які динамічно охоплюють нову лексику та коректно реагують на зміни в мовленнєвій практиці користувачів соціальних мереж. Основними перевагами запропонованої інформаційної технології є автоматичне охоплення сленгової лексики та неологізмів на основі семантичної подібності векторних представлень слів, завчасне виявлення неоднозначних випадків через контроль порогу впевненості лексиконної оцінки та економний розподіл обчислювальних ресурсів між лексиконним і трансформерним рівнями каскаду залежно від реальної складності вхідного коментаря. Проте, для успішної реалізації необхідно вирішити ряд викликів, пов'язаних із формуванням розміченого корпусу україномовних коментарів достатнього обсягу для тонкого налаштування трансформерної моделі, калібруванням порогів косинусної подібності та впевненості каскаду відповідно до специфіки різних доменів коментарів, а також пітвердженням запропонованого методу розширення словника на реальній вибірці коментарів, що містять код-світчинг і регіональні діалектні особливості. СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ | uk |
| dc.relation.references | Liu B. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. – 2nd ed. – Cambridge University Press, 2020. – 449 p. DOI: https://doi.org/10.1017/9781108639286 | en |
| dc.relation.references | Minaee S., Kalchbrenner N., Cambria E., Nikzad N., Chenaghlu M., Gao J. Deep Learning–Based Text Classification: A Comprehensive Review // ACM Computing Surveys. – 2021. – Vol. 54, No. 3. – P. 1–40. DOI: https://doi.org/10.1145/3439726 | en |
| dc.relation.references | Pang B., Lee L., Vaithyanathan S. Thumbs up? Sentiment Classification Using Machine Learning Techniques // Proceedings of EMNLP 2002. – 2002. – P. 79–86. DOI: https://doi.org/10.3115/1118693.1118704 | en |
| dc.relation.references | Sebastiani F. Machine Learning in Automated Text Categorization // ACM Computing Surveys. – 2002. – Vol. 34, No. 1. – P. 1–47. DOI: https://doi.org/10.1145/505282.505283 | en |
| dc.relation.references | Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, No. 8. – P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735 | en |
| dc.relation.references | Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings of NAACL-HLT 2019. – 2019. – P. 4171–4186. DOI: https://doi.org/10.18653/v1/N19-1423 | en |
| dc.relation.references | Conneau A., Khandelwal K., Goyal N., Chaudhary V., Wenzek G., Guzmn F., Grave E., Ott M., Zettlemoyer L., Stoyanov V. Unsupervised Cross-lingual Representation Learning at Scale // Proceedings of ACL 2020. – 2020. – P. 8440–8451. DOI: https://doi.org/10.18653/v1/2020.acl-main.747 | en |
| dc.relation.references | Коник М. І. Порівняльний аналіз підходів та методів визначення тональності тексту в контексті опрацювання відгуків мешканців міста // Вісник Херсонського національного технічного університету. – 2025. – Т. 2, № 2(93). – С. 186–192. DOI: https://doi.org/10.35546/kntu2078-4481.2025.2.2.23 | uk |
| dc.relation.references | Оленич І. Я., Притула М. М., Сінькевич О. В., Хамар О. О. Система автоматичного визначення тональності тексту // Електроніка та інформаційні технології. – 2021. – Вип. 15. – С. 16–23. DOI: https://doi.org/10.30970/eli.15.2 | uk |
| dc.relation.references | Hamilton W. L., Clark K., Leskovec J., Jurafsky D. Inducing Domain-Specific Sentiment Lexicons from Unlabeled Corpora // Proceedings of EMNLP 2016. – 2016. – P. 595–605. DOI: https://doi.org/10.18653/v1/D16-1057 | en |
| dc.relation.references | Bojanowski P., Grave E., Joulin A., Mikolov T. Enriching Word Vectors with Subword Information // Transactions of the Association for Computational Linguistics. – 2017. – Vol. 5. – P. 135–146. DOI: https://doi.org/10.1162/tacl_a_00051 | en |
| dc.relation.references | Sanh V., Debut L., Chaumond J., Wolf T. DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter // arXiv preprint. – 2019. URL: https://doi.org/10.48550/arXiv.1910.01108 | en |
