Нейромережева модель для аналізу емоційного забарвлення тексту

Abstract

Метою кваліфікаційної роботи є забезпечення ефективної та оперативної класифікації емоційного забарвлення текстових повідомлень через створення 1 впровадження моделі автоматизованої системи на основі згорткової нейронної мережі та алгоритму адаптивного прийняття рішень. Об'єкт дослідження – процес автоматизованої обробки неструктурованої текстової інформації в інформаційно-керуючих системах. Предмет дослідження – математичні моделі глибокого навчання (TextCNN), методи попередньої обробки природної мови (NLP) та алгоритми оптимізації порогів класифікації для роботи з незбалансованими даними. Проблема, яка вирішується в кваліфікаційній роботі, полягає в тому, щоб підвищити точність детектування рідкісних емоційних станів в умовах «шумних» коротких текстів та дисбалансу класів, мінімізувати час інференсу моделі для роботи в реальному часі та забезпечити гнучке налаштування чутливості системи (баланс Precision/Recall). Область застосування – системи моніторингу соціальних мереж, автоматизована модерація контенту, інтелектуальні служби підтримки клієнтів (HelpDesk), управління репутацією бренду. Розроблений програмний модуль може використовуватися як мікросервіс у складі СЕМ-систем.

The aim of the qualification paper is to ensure effective and rapid classification of the emotional sentiment of text messages through the creation and implementation of an automated system model based on a Convolutional Neural Network and an adaptive decision-making algorithm. The object of research is the process of automated processing of unstructured text information in information and control systems. The subject of research is deep learning mathematical models (TextCNN), Natural Language Processing (NLP) preprocessing methods, and classification threshold optimization algorithms for working with imbalanced data. The problem solved in the qualification paper is to improve the detection accuracy of rare emotional states under conditions of "noisy" short texts and class imbalance, minimize model inference time for real-time operation, and ensure flexible tuning of system sensitivity (Precision/Recall balance). The field of application covers social media monitoring systems, automated content moderation, intelligent customer support services (HelpDesk), and brand reputation management. The developed software module can be used as a microservice within CRM systems.