Pandiri Lavanya / Suneel Kumar Duvvuri
Librería Samer Atenea
Kálamo Books
Librería Elías (Asturias)
Librería Kolima (Madrid)
Librería Proteo (Málaga)
Szybki rozwój platform cyfrowych spowodował ogromny wzrost ilości treści generowanych przez użytkowników, zwłaszcza recenzji filmowych. Ręczna analiza takich danych jest trudna i czasochłonna. Analiza sentymentu, będąca ważnym obszarem przetwarzania języka naturalnego (NLP), pomaga w automatycznej identyfikacji opinii wyrażonych w tekście. W niniejszym badaniu opracowano system oparty na uczeniu głębokim, służący do klasyfikacji recenzji filmowych jako pozytywnych lub negatywnych. Wykorzystano zbiór danych IMDB zawierający 50 000 oznaczonych recenzji. Wstępne przetwarzanie danych obejmowało usuwanie tagów HTML, normalizację, tokenizację, usuwanie słów zbędnych oraz stemming. Przetworzony tekst został przekształcony do postaci numerycznej przy użyciu osadzeń słów w celu uchwycenia znaczenia. Zastosowano model dwukierunkowego LSTM, który odczytuje tekst w obu kierunkach, aby lepiej zrozumieć kontekst niż modele tradycyjne. Model został wytrenowany przy użyciu optymalizatora Adam i straty binarnej entropii krzyżowej, z zastosowaniem wczesnego zatrzymania w celu ograniczenia nadmiernego dopasowania. Wyniki wykazały dokładność na poziomie około 88,5%, co potwierdza skuteczność modelu. Podejście to można zastosować w systemach rekomendacji, analizie mediów społecznościowych oraz ocenie opinii.