Browsing by Author "Akhmedov, Renat"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Item Machine learning approach of analysis of emotional polarity of electronic social media(ДВНЗ «Київський національний економічний університет імені Вадима Гетьмана», 2020) Derbentsev, Vasyl; Дербенцев, Василь Джоржович; Дербенцев, Василий Джорджевич; Bezkorovainyi, Vitalii; Безкоровайний, Віталій Сергійович; Бескоровайный, Виталий Сергеевич; Akhmedov, Renat; Ахмедов, Ренат РамазановичThis paper proposes a new approach to evaluating the emotional polarity (or Sentiment Analysis) of electronic social media texts. For this purpose both conventional Machine Learning (Logistic Regression and Support Vector Machine), and Deep Neural Networks approaches (Fully Connected and Convolutional Neural Networks) were used. As vector representations of words, we used both the frequency-based and pretrained words embeddings Word2vec and GloVe (with embedding dimensions of size 100 and 300). For the selected English-language IMDb Movie Reviews dataset the classification accuracy using the Logistic Regression model was 87%, the Support Vector Machine – 87.5%, the Fully Connected Neural Network – 88%, and the Convolutional Network – 90%. The accuracy of the proposed models is a quite acceptable for practical use-cases and is not inferior to cutting-edge Natural Language Processing solutions in the field of Sentiment Analysis, which opens up good prospects for further research. У статті пропонується новий підхід до оцінки емоційної полярності (або аналізу настроїв) електронних текстів у соціальних мережах. Для цього використовувалися як класичні методи машинного навчання (логістична регресія та метод опорних векторів), так і інструментарій глибоких нейронних мереж (повнозв’язні та згорткові нейромережі). Векторне представлення ґрунтувалось на частотних та попередньо навчених вкладеннях слів Word2vec і GloVe (з розмірами вкладення 100 і 300). Для вибраного англомовного набору даних IMDb Movie Reviews точність класифікації за допомогою моделі логістичної регресії становила 87%, машини опорних векторів – 87,5%, повнозв’язної нейронної мережі – 88% і згорткової мережі – 90%. Точність запропонованих моделей є цілком прийнятною для практичних ситуацій і не поступається передовим рішенням у сфері обробки природньої мови за напрямом аналізу настроїв, що відкриває обнадійливі перспективи для подальших досліджень.Item Аналіз тональності текстів з використанням моделей глибокого навчання(Черкаський державний технологічний університет, 2022-06) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий СергеевичРобота присвячена розробці моделі аналізу тональності текстів із використанням глибоких нейронних мереж. З цією метою в роботі було запропоновано архітектуру, що складається із перед-навченої моделі BERT (Bidirectional Encoder Representations from Transformers), що здійснює попередню обробку тексту, токенізацію та векторне представлення слів, та моделі класифікатора на базі логістичної регресії. Об’єктом дослідження є аналіз тональності текстів (сентимент-аналіз). Предметом дослідження є моделі обробки природної мови на основі глибоких нейронних мереж. Згідно з одержаними результатами наша модель показала на тестовій вибірці точність 82% в термінах метрики Accuracy. Проведене експериментальне дослідження свідчить про перспективність запропонованого підходу здійснення сентимент-аналізу з використанням перед-навченої моделі BERT. В подальших дослідженнях можна використовувати більш складні моделі класифікаторів, здійснювати багатокласову класифікацію, аспектний сентимент-аналіз.Item Контент-аналіз соціальних медіа методами машинного навчання(Черкаський національний університет імені Богдана Хмельницького, 2022) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Дербенцев, Василь Джоржович; Derbentsev, Vasyl; Дербенцев, Василий Джорджевич; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий СергеевичРобота присвячена проблемам проведення контент-аналізу електронних соціальних медіа. Проаналізовано особливості соціальних медіа та їх відмінності від традиційних засобів масової інформації. Визначено основні завдання, що дозволяє вирішувати застосування контент-аналізу соціальних медіа для бізнесу. Обґрунтовано використання технології машинного та глибокого навчання для створення систем контент-аналізу. Запропоновано застосування технології Transfer Learning для перенесення знань із переднавчанених мовних моделей на інший домен або іншу мову, зокрема, українську з інших слов’янських мов. Introduction. During the last two decades, the rapid development of social media has caused a revolution in means of communication in modern society. Therefore, a significant number of the world's leading companies began to rebuild their business models using the capabilities of modern means of communication through social networks and other platforms, for which content analysis technologies are successfully used. Purpose. The purpose of the article is to develop methodological principles for conducting content analysis of electronic resources (social media) based on using Artificial Intelligence technologies, in particular, Machine and Deep Learning. Results. The paper analyzes the phenomenon of social media and identifies the key factors that determine the effectiveness of their use for both business and consumers. Based on this, the paper explores the features of the content analysis of social media, which take into account their mass character, as well as the presence of large arrays of unstructured information. The large amount of information on various electronic platforms requires adequate means for their monitoring and processing, analysis of content as well. To solve these problems, the paper substantiates the use of modern Natural Language Processing technologies based on Machine and Deep Learning approaches. An alternative to the existing services for content analysis is developing systems based on such tight forwarding motion models, like BERT (provided by Google), or GPT-3 (provided by Open AI), which was implemented on the Transformer Deep Neural Networks architecture. The article also proposes the use of Transfer Learning technology to transfer knowledge from pre-learned language models to another domain or another language, in particular, Ukrainian from other Slavic languages. Originality. The main findings of this paper are the follows: (i) the main advantages of using social media for businesses and consumers are substantiated; (ii) the characteristic features of conducting content analysis in social media are determined; (iii) the advantages and disadvantages of using Natural Language Processing methods for solving problems of content analysis in social media are shown; (iv) Transfer Learning approach to transfer knowledge from pre-learned language models to another domain or another language, in particular, Ukrainian from other Slavic languages has been proposed for solving content analysis tasks. Conclusion. The accumulation of a sufficient amount of training data, the development of multi-core CPU and graphics processors, as well as the formation of powerful pre-trained language models and the development of effective algorithms for processing extremely large amounts of information are factors that determine the efficiency of the use of Machine and Deep Learning technology for content analysis tasks in recent years. Therefore, the development of computer systems for content analysis of social media, in particular, using modern technologies of Artificial Intelligence (Machine and Deep Learning), does not lose its relevance and requires further research.Item Методологія аналізу контенту електронних засобів масової інформації(Придніпровська державна академія будівництва та архітектури, 2021) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Безкоровайний, Віталій Сергійович; Bezkorovainyi, Vitalii; Безкоровайный, Виталий Сергеевич; Данильченко, Тетяна Валеріївна; Danylchenko, Tetiana; Данильченко, Татьяна ВалерьевнаВ сучасному інформаційному суспільстві особливого значення набуває аналіз потоку інформації ЗМІ, тому особливої актуальності набувають питання проведення контент-аналізу, який ґрунтується на переведенні якісних даних у цифровий формат задля одержання можливостей оброблення інформації з використанням технологій біг-дата-аналітики та штучного інтелекту. У рамках дослідження узагальнено погляди на використання контент-аналізу та запропоновано методологію аналізу контенту електронних засобів масової інформації для таргетування цільової аудиторії, визначення вподобань щодо змісту публікацій, що складається з таких етапів, як вебскрапінг, паркінг, якісний аналіз, кількісний аналіз, аналіз тональності текстів. Запропонована в дослідженні методологія є основою для реалізації сучасних засобів контент-аналізу з використанням сучасних інформаційних технологій та методів і моделей штучного інтелекту. In the conditions of modern information society, the analysis of the flow of media information is of particular importance. Therefore, the issues of content analysis, which is based on the conversion of qualitative data into digital format in order to obtain information processing capabilities using technologies of big-data analytics and artificial intelligence approaches, are especially relevant. This study summarized the views on the use of content analysis and proposed a methodology for analyzing the content of electronic media for targeting and determining preferences for the content of publications. For this purpose, were proposed were proposed a conceptual scheme for conducting content analysis, which consists of 5 stages. The first stage consists of creating and updating a full-text database on a daily basis by automated data collection and retrieval of content from media websites (web scraping). The second stage involves using of modules for determining useful content (parsing) and its subsequent storage in the database. The quantitative analysis stage is especially important when generalization, aggregation of results, or to calculate the frequency of words (frequency analysis), categories, tags and expressions, as well as their joint use in the text. The purpose of qualitative analysis is to reduce the material so that the main content remains. Similarly, qualitative analysis can provide additional information about individual components of the text (terms, definitions) in order to improve understanding, explanation, and interpretation of a particular passage. Finally, the last stage is to analyze the tone of the texts (sentiment analysis), i.e. to determine the emotional (positive or negative) attitude of the authors of the test to the described event, person or phenomenon. Authors (or users who leave comments) actively use various means in order to create the desired picture of an event in the reader’s imagination, and to evoke the appropriate emotions. The proposed methodology is the basis for the implementation of modern tools of content analysis using information technologies and methods artificial intelligence approaches.Item Оптимізація маркетингових стратегій підприємства на основі моніторингу електронних ЗМІ(Київський національний економічний університет імені Вадима Гетьмана, 2023-04) Ахмедов, Ренат Рамазанович; Akhmedov, Renat; Гадзіна, С. М.