АссистентНовый вопросИсторияОбласти знаний
Партнёрские проектыСпецпроектыСтать автором
Сменить язык
О РУВИКИ

Анализ тональности текста

Анализ тональности текста (англ. sentiment analysis, также известен как майнинг мнений) — это задача систематического выявления, извлечения, количественной оценки и изучения аффективных состояний и субъективной информации с использованием методов обработки естественного языка, анализа текста, компьютерной лингвистики и биометрии. Современный подход («Sentiment Analysis 2.0») перешёл от простой классификации полярности к глубокому пониманию контекстуальных нюансов, анализу интенций и распознаванию сарказма[1]. Анализ тональности получил широкое применение для изучения голоса клиента в таких данных, как отзывы, анкеты, публикации в интернете, материалы из социальных сетей и медицинские данные, где он используется в маркетинге, поддержке клиентов, клинической медицине и других областях. С развитием современных больших языковых моделей, таких как BERT и GPT-4, стало возможно анализировать даже сложные типы данных, например новости, в которых мнение или отношение автора часто выражено косвенно[2]. Эти модели отличаются способностью к глубокой эмоциональной интерпретации и могут эффективно работать в режимах zero-shot и few-shot[3].

Виды анализа тональности

Базовая задача анализа тональности — определение полярности текста на уровне документа, предложения или отдельного признака/аспекта: выражено ли в тексте, отдельном предложении или по конкретному аспекту объекта положительное, отрицательное или нейтральное мнение. Более продвинутые, «выходящие за рамки полярности» методы стремятся распознавать и эмоциональные состояния, такие как удовольствие, гнев, отвращение, грусть, страх или удивление[4]. При классификации дискретных эмоций с помощью современных языковых моделей (например, ModernBERT) исследователи сталкиваются с рядом специфических сложностей. В частности, распознавание радости часто затрудняется неоднозначностью разметки обучающих данных, классификация гнева страдает от ограниченной обобщаемости текстов из-за специфики доменов обучения, для страха характерен дисбаланс классов в наборах данных, а предсказание печали усложняется недостаточной представленностью смежных эмоций (например, горя)[5].

Предшественниками современных методов считаются система General Inquirer[6] (одна из первых попыток количественного анализа содержимого текста) и психологические исследования по оценке психологического состояния человека через анализ его речевого поведения[7].

Позднее в патенте Волкани и Фогеля подробно описан анализ слов и фраз относительно разных эмоциональных шкал; на его основе создана система EffectCheck, предлагающая синонимы для усиления или ослабления эмоционального воздействия.

Многие другие исследования, например работы Тёрни[8] и Панга[9], оперировали лишь определением полярности — от позитивной к негативной, чаще всего на уровне документа (например, отзывы о продукции и фильмах). Позже Панг[10] и Снайдер[11] предложили методы многоуровневой оценки (например, по 5-звёздочной шкале для разных аспектов ресторана).

С ростом интереса к различным подходам в 2004 году на весеннем симпозиуме AAAI лингвисты и исследователи ИИ предложили совместные задачи и эталонные наборы данных для системного вычислительного изучения аффектов, привлекательности и субъективности в тексте[12].

В большинстве статистических методов классификации нейтральный класс часто игнорируется как граница бинарного классификатора, однако исследователи показали, что разделение на три категории (позитив, негатив, нейтралитет) более обосновано. Некоторые классификаторы, такие как максимальная энтропия[13] и метод опорных векторов, могут существенно повысить точность за счёт добавления нейтрального класса. При этом выделяют два метода: фильтрация нейтрального текста с последующей оценкой остатка или одновременная классификация на три класса (например, наивный байесовский классификатор в NLTK).

Другой подход — шкалирование: словам присваивается числовое значение в диапазоне от −10 до +10 (или, например, от 0 до 4), и анализ проводится с учётом окружающего контекста, позволяя учитывать усилители, ослабители и отрицания[14][15]. Также можно оценивать силу как положительных, так и отрицательных эмоций.

Существуют и другие виды анализа тональности: по аспектам, по градации (положительный, нейтральный, отрицательный), мультиязычный анализ, обнаружение эмоций и др[16][17].[18] Актуальным направлением также является переход к многомерным шкалам (Dimensional ABSA), где тональность моделируется в непрерывном пространстве валентности и возбуждения (valence-arousal) вместо использования традиционных категориальных меток. Подобные подходы применяются для более детального анализа и извлечения структурированных данных в рамках международных соревнований (таких как SIGHAN и SemEval)[19].

Идентификация субъективности/объективности

Задача состоит в классификации предложения (или текста) на субъективные и объективные[20]. Это может быть сложнее, чем определение полярности. Объективные тексты содержат факты[21], например: «Президентом США может быть избран гражданин не моложе 35 лет».

Субъективные тексты отражают личное мнение, оценки, предсказания, например: «Нам нужен президент зрелый и способный принимать мудрые решения»[22].

Классификация субъективности требует определения индикаторов — слов или выражений, характерных для каждого класса[23]. Для обучения используются либо вручную размеченные, либо автоматически размечаемые корпуса. Основными проблемами являются: метафоры, различия в стилях, контекст, временная чувствительность, редкие слова и большой объём данных.

Ручная разметка сложна и трудозатратна, автоматические методы, такие как мета-бустрэппинг[24] и Basilisk[25], активно используются.

Подобные классификаторы находят применение в бизнесе, рекламной и финансовой аналитике, социальных науках, образовании — например, для анализа отзывов, классификации спама, прогнозирования цен акций и т.п.

Для анализа текстов, включая новостные, также применяются большие языковые модели (LLM, такие как GPT-3.5 Turbo и GPT-4 Omni). Их использование включает техники промпт-инжиниринга, в частности обучение на нескольких примерах (few-shot) и построение цепочки рассуждений (chain-of-thought)[26].

Анализ по аспектам или признакам

Анализ по признакам (аспектам) определяет отношения и тональность к отдельным характеристикам объекта, например, к экрану телефона, качеству фотоаппарата и т. д[27]. Его преимущество в более тонком учёте нюансов восприятия объекта. Автоматическое выделение признаков возможно с помощью синтаксических методов, тематического моделирования (где на смену устаревшему методу LDA пришла двухступенчатая семантическая кластеризация эмбеддингов)[28] или глубокого обучения[29]. Для решения задач извлечения аспектов и классификации мнений в один проход (End-to-End ABSA) активно применяются большие языковые модели (LLM)[30], а для выявления неявных аспектов используются генеративные модели и графы знаний[31]. Для обучения и оценки моделей аспектного анализа используются современные наборы данных, в том числе ориентированные на сферу электронной коммерции (например, E-ABSA20K и многоязычный корпус M-ABSA)[32][33].

Оценка интенсивности эмоций

Степень выраженности эмоций/тональности также индивидуальна. Задача — определить силу проявления (интенсивности) мнения в документе, предложении или аспекте[34]. Если ранее для этого применялись ансамбли моделей и глубокое обучение на основе свёрточных и рекуррентных сетей, то в результате технологического сдвига на смену им пришли большие языковые модели (LLM), такие как GPT и Gemini. Ключевым инструментом решения задач стал промпт-инжиниринг, во многом заменивший создание сложных архитектурных ансамблей[35]

Кросс-языковой анализ

Кросс-языковой анализ тональности для редких (низкоресурсных) языков и диалектов опирается преимущественно на трансферное обучение и большие языковые модели (LLM), которые демонстрируют значительное превосходство над традиционными методами[36][37]. В рамках таких подходов применяются мультиязычные модели (например, mBERT, XLM-RoBERTa, LLaMA) с использованием расширения токенизатора, постоянного предобучения на неразмеченных данных и параметр-эффективной тонкой настройки[38][36]. Важной задачей является преодоление барьеров токенизации, поскольку непересекающиеся пространства токенов сильно ограничивают перенос знаний. Для решения этой проблемы применяются методы пословного перевода, отображающие языки в общее пространство токенов, а также адаптивное самовыравнивание с аугментацией данных[39][40].

Методы и особенности

Существующие подходы к анализу тональности подразделяются на три основные группы: основанные на знаниях, статистические и гибридные[41].

  • Знаниевыe методы используют наличие не двусмысленных слов аффекта, таких как «счастлив», «грустный», и часто опираются на словари или онтологии[42].
  • Гибридные методы объединяют машинное обучение и элементы онтологического/семантического анализа[43].
    • Современные гибридные нейросимволические подходы интегрируют графы знаний и онтологии с большими языковыми моделями (LLM) для повышения интерпретируемости:**[44][45]
      • Интеграция графов знаний с векторными вложениями LLM добавляет символическую логику к нейронным представлениям, что позволяет проводить точные многоходовые рассуждения и решает проблему ограниченной глубины рассуждений[44].
      • Интеграция онтологического вывода предполагает преобразование ответов LLM в логические формы с их последующей проверкой символьным резонером, что помогает устранять галлюцинации и логические несоответствия[45].

Современные инструменты — как открытые, так и коммерческие — позволяют проводить автоматизированный анализ больших текстовых коллекций (веб-страниц, новостей, форумов, соцсетей), используя статистику и лингвистические данные[46]. Специальные системы используют ресурсы общего знания для семантического анализа[47]. Анализ возможен и для визуальной информации (изображения, видео).

Человеческая экспертная оценка необходима, так как автоматические системы не способны учесть поведение конкретного автора и платформы, а также часто ошибаются с юмором или отрицаниями[48]. Даже люди согласны между собой примерно на 80% случаев[49][50].

Нейросетевые методы и LLM

Исторически многие подходы использовали модель «мешка слов» и классические статистические методы (такие как SVM и наивный байесовский классификатор), игнорируя контекст и грамматику; модели, учитывающие синтаксическую композицию, требовали богато размеченных данных[51]. Однако эти методы опираются на частотность слов и плохо справляются с сарказмом и сложными семантическими зависимостями, из-за чего они были вытеснены современными контекстуальными моделями глубокого обучения[52].[53] В области анализа тональности произошёл масштабный технологический переход от рекуррентных (RNN, LSTM) и свёрточных (CNN) нейросетей к архитектуре трансформеров (например, BERT и RoBERTa)[54][55]. Классические глубокие сети имели фундаментальные ограничения: рекуррентные сети обрабатывают данные последовательно, что делает невозможным эффективное распараллеливание и приводит к потере информации на длинных текстах, а свёрточные сети теряют контекстную информацию. Трансформеры решили эти проблемы благодаря механизму самовнимания, который позволяет напрямую учитывать связи между удалёнными словами и глубоко понимать контекст. Отказ от рекуррентности также позволил распараллелить вычисления, радикально ускорив процессы обучения и инференса[55]. Современные большие языковые модели (LLM), такие как GPT-4, Llama-3.3 и Gemini, значительно превосходят традиционные методы по точности благодаря лучшему пониманию контекста. В то время как традиционные алгоритмы требуют минимальных ресурсов и выполняют инференс за миллисекунды на обычных процессорах, LLM обладают высокой вычислительной сложностью, требуя значительных мощностей GPU и больших объёмов видеопамяти. В современных системах активно применяется обучение на малом количестве примеров (Few-shot learning), которое считается практичным и экономически эффективным подходом, позволяя достигать высокой точности при использовании минимального объёма обучающих данных[56]. Также исследуется применение Zero-shot learning (без обучающих примеров), однако для сложных задач тонкой классификации эмоций его точность пока остаётся недостаточной для коммерческого внедрения[57].[58]

Анализ сарказма и иронии

Человеческая экспертная оценка необходима, так как автоматические системы не способны учесть поведение конкретного автора и платформы, а также часто ошибаются с юмором, сарказмом или отрицаниями[59]. Даже люди согласны между собой примерно на 80 % случаев[49][60].

Большие языковые модели (LLM) являются основным инструментом для автоматического обнаружения сарказма и иронии. Для преодоления ограничений LLM при работе со сленгом и культурно-специфическими выражениями применяются методы прагматического метакогнитивного промптинга (PMP), которые обогащают промпты за счёт извлечения внешних знаний или направленной активации внутренних знаний модели[61]. Также высокую эффективность показывают гибридные архитектуры, комбинирующие контекстуальные эмбеддинги с формальными лингвистическими правилами и словарями тональности[62].

Несмотря на высокие результаты на бенчмарках, существует критическая проблема обобщения: на реальной человеческой речи эффективность моделей может значительно падать. Это связано с тем, что модели часто находят поверхностные статистические закономерности, оставаясь нечувствительными к истинным прагматическим сигналам, необходимым для глубокого понимания контекста и иронии[63].

Оценка эффективности

Точность — это совпадение с экспертным человеческим мнением, обычно оцениваемое по точности и полноте для положительных и отрицательных классов. Достичь более 70% точности — сопоставимо с уровнем согласия аннотаторов[49]. Компьютеру сложны отрицания, ирония, юмор. Для коммерческого применения часто недостаточно простой модели «отрицательно—положительно», поэтому оценки смещаются в сторону задач анализа влияния на репутацию[64]. Измерение все чаще становится задачно-ориентированным. Для оценки качества моделей на несбалансированных данных применяются метрики, устойчивые к перекосу классов. К ним относятся коэффициент корреляции Мэтьюса (MCC), сбалансированная точность (Balanced Accuracy) и макро-усреднённая F1-мера (F1-macro)[65]. В отличие от обычных метрик точности (Precision) и полноты (Recall), которые могут фокусироваться на одном классе и игнорировать истинно отрицательные результаты, MCC требует успешной классификации обоих классов одновременно, что делает её надёжной при сильном дисбалансе[66][67]. Balanced Accuracy усредняет показатели всех классов, не позволяя завышать оценку моделям, предсказывающим только мажоритарный класс[67]. F1-macro придаёт каждому классу одинаковый вес независимо от его размера, что позволяет объективно оценивать работу модели на редких (миноритарных) классах[65].

Социальные медиа и Web 2.0

Рост социальный сетей и блогов вызвал волну интереса к анализу тональности. Онлайн-отзывы, ранжирования, обсуждения становятся важным источником обратной связи для бизнеса[68]. Однако сложные культурные и языковые нюансы затрудняют автоматическую обработку мнений, особенно в коротких сообщениях.

Тем не менее, анализ тональности в микроблогах позволяет оценивать политические и другие тенденции, выявляя корреляцию с настроениями общества[69]. Анализ используется и для отслеживания общественного мнения о здоровье, лекарствах, событиях социальной значимости[70].

Для обработки специфики социальных медиа, такой как изменчивый интернет-сленг и эмодзи, современные системы используют нейросетевые архитектуры с контекстуальными эмбеддингами, позволяющими глубоко понимать семантику коротких сообщений[71][72]. Повышению точности классификации также способствует применение мультимодального анализа, который интегрирует текстовые, аудио- и видеоданные для комплексной оценки эмоционального отклика аудитории[73][74]. На базе анализа тональности функционируют современные системы мониторинга бренда и управления репутацией (ORM), включающие инструменты предиктивного обнаружения кризисов: алгоритмы непрерывно анализируют упоминания и выявляют ранние сдвиги в настроениях пользователей, что позволяет компаниям своевременно предотвращать репутационные риски[75].

Применение в рекомендательных системах

В системах рекомендаций анализ тональности помогает предсказывать пользовательские предпочтения. Текстовые отзывы дают богатую информацию об оценке отдельных аспектов товаров, которую можно использовать для построения гибридных рекомендательных моделей. Сложности применения анализа тональности связаны с необходимостью фильтрации спама и учётом особенностей коротких и длинных отзывов. В ритейле и на маркетплейсах аспектно-ориентированный анализ (ABSA) применяется для автоматической генерации персонализированных ответов на отзывы покупателей с использованием больших языковых моделей (LLM). Интеграция подобных решений с системами управления качеством позволяет выявлять повторяющиеся жалобы на конкретные характеристики товара, приоритизировать задачи по улучшению продукции и снижать нагрузку на службу поддержки[76].

Этические аспекты

Вопросы приватности, согласия и смещения крайне важны, поскольку анализ тональности часто затрагивает личные данные без явного согласия пользователей. Для решения этих вопросов разрабатываются этические рамки (например, проект SEWA), включая специальные этические и консультативные советы[77]. Современные регуляторные нормы (включая EU AI Act и GDPR) устанавливают строгие правила для систем искусственного интеллекта, анализирующих пользовательские данные. Для анализа мнений без передачи сырых данных применяются такие технологии защиты информации, как дифференциальная приватность и федеративное обучение[78].[79].

Примечания

  1. ↑ Sentiment Analysis 2.0: Detecting Sarcasm and Nuance. Refonte Learning. Дата обращения: 27 августа 2026.
  2. ↑ Hamborg, Felix; Donnay, Karsten (2021). NewsMTSC: A Dataset for (Multi-)Target-dependent Sentiment Classification in Political News Articles (англ.). Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume. Дата обращения: 27 августа 2026. Архивировано 9 июля 2025 года.
  3. ↑ How BERT and GPT Are Transforming Sentiment Analysis in 2025. SpringPeople. Дата обращения: 27 августа 2026.
  4. ↑ Vong Anh Ho, Duong Huynh-Cong Nguyen, Danh Hoang Nguyen, Linh Thi-Van Pham, Duc-Vu Nguyen, Kiet Van Nguyen, Ngan Luu-Thuy Nguyen. "Emotion Recognition for Vietnamese Social Media Text". Proceedings of the 2019 International Conference of the Pacific Association for Computational Linguistics (PACLING 2019), Ханой, Вьетнам, 2019.
  5. ↑ ModernBERT-base-go-emotions. Hugging Face. Дата обращения: 27 августа 2026.
  6. ↑ Stone, Philip J., Dexter C. Dunphy, and Marshall S. Smith. "The general inquirer: A computer approach to content analysis." MIT Press, Cambridge, MA, 1966.
  7. ↑ Gottschalk, Louis August, and Goldine C. Gleser. The measurement of psychological states through the content analysis of verbal behavior. Univ of California Press, 1969.
  8. ↑ 1 2 Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews (англ.). Proceedings of the Association for Computational Linguistics 417–424 (2002). Дата обращения: 27 августа 2026. Архивировано 2 июня 2025 года.
  9. ↑ Thumbs up? Sentiment Classification using Machine Learning Techniques (англ.). Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP) 79–86 (2002). Дата обращения: 27 августа 2026. Архивировано 20 марта 2025 года.
  10. ↑ Seeing stars: Exploiting class relationships for sentiment categorization with respect to rating scales (англ.). Proceedings of the Association for Computational Linguistics (ACL) 115–124 (2005). Дата обращения: 27 августа 2026. Архивировано 19 марта 2025 года.
  11. ↑ Multiple Aspect Ranking using the Good Grief Algorithm (англ.). Proceedings of the Joint Human Language Technology/North American Chapter of the ACL Conference (HLT-NAACL) 300–307 (2007). Дата обращения: 27 августа 2026. Архивировано 6 августа 2016 года.
  12. ↑ Qu, Yan, James Shanahan, and Janyce Wiebe. "Exploring attitude and affect in text: Theories and applications." AAAI Spring Symposium, Technical report SS-04-07. AAAI Press, Менло-Парк, 2004.
  13. ↑ The importance of Neutral Class in Sentiment Analysis (англ.). Datumbox Blog (2013). Дата обращения: 27 августа 2026. Архивировано 7 сентября 2025 года.
  14. ↑ Taboada, Maite; Brooke, Julian (2011). “Lexicon-based methods for sentiment analysis”. Computational Linguistics [англ.]. 37 (2): 272—274. DOI:10.1162/coli_a_00049. Дата обращения 2026-08-27.
  15. ↑ Augustyniak, Łukasz; Szymański, Piotr; Kajdanowicz, Tomasz; Tuligłowicz, Włodzimierz (25 декабря 2015). “Comprehensive Study on Lexicon-based Ensemble Classification Sentiment Analysis”. Entropy [англ.]. 18 (1): 4. DOI:10.3390/e18010004. Дата обращения 2024-06-15. |access-date= требует |url= (справка)
  16. ↑ Liu, Bing. Sentiment Analysis and Opinion Mining : [англ.]. — Springer Nature, 2022.
  17. ↑ Towards Generative Aspect-Based Sentiment Analysis (англ.). Proceedings of the 2021 Conference of the Association for Computational Linguistics (2021). Дата обращения: 27 августа 2026. Архивировано 15 июля 2025 года.
  18. ↑ BRIGHTER: BRIidging the Gap in Human-Annotated Textual Emotion Recognition Datasets for 28 Languages (англ.). Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics (2025). Дата обращения: 27 августа 2026. Архивировано 6 августа 2025 года.
  19. ↑ Dimensional Aspect-Based Sentiment Analysis (DimABSA). arXiv (2026). Дата обращения: 27 августа 2026.
  20. ↑ Pang, Bo. 4.1.2 Subjectivity Detection and Opinion Identification // Opinion Mining and Sentiment Analysis : [англ.] / Bo Pang, Lillian Lee. — Now Publishers Inc, 2008.
  21. ↑ Wiebe, Janyce. Creating Subjective and Objective Sentence Classifiers from Unannotated Texts // Computational Linguistics and Intelligent Text Processing : [англ.]. — Berlin-Heidelberg : Springer, 2005. — Vol. 3406. — P. 486–497. — ISBN 978-3-540-30586-6. — doi:10.1007/978-3-540-30586-6_53.
  22. ↑ Quirk, Randolph. A Comprehensive Grammar of the English Language (General Grammar) : [англ.] / Randolph Quirk, Sidney Greenbaum, Geoffrey Leech … [et al.]. — Longman, 1985. — P. 175–239. — ISBN 1-933108-31-2.
  23. ↑ Riloff, Ellen. Learning extraction patterns for subjective expressions // Proceedings of the 2003 conference on Empirical methods in natural language processing : [англ.] / Ellen Riloff, Janyce Wiebe. — USA : Association for Computational Linguistics, 11 июля 2003. — Vol. 10. — P. 105–112. — doi:10.3115/1119355.1119369.
  24. ↑ Riloff, Ellen; Jones, Rosie (июль 1999). “Learning dictionaries for information extraction by multi-level bootstrapping” (PDF). AAAI '99/IAAI '99 [англ.]: 474—479. Дата обращения 2026-08-27. Проверьте дату в |date= (справка на английском)
  25. ↑ Thelen, Michael. A bootstrapping method for learning semantic lexicons using extraction pattern contexts // Proceedings of the ACL-02 conference on Empirical methods in natural language processing - EMNLP '02 : [англ.] / Michael Thelen, Ellen Riloff. — USA : Association for Computational Linguistics, 6 июля 2002. — Vol. 10. — P. 214–221. — doi:10.3115/1118693.1118721.
  26. ↑ Improving Sentiment Analysis and Stance Detection Using Large Language Models. Political Analysis. Дата обращения: 27 августа 2026.
  27. ↑ Mining and Summarizing Customer Reviews (англ.). Proceedings of KDD 2004 (2004). Дата обращения: 27 августа 2026. Архивировано 4 сентября 2025 года.
  28. ↑ Двухступенчатая семантическая кластеризация эмбеддингов как альтернатива LDA для инфометрического анализа отраслевых. Cyberleninka. Дата обращения: 27 августа 2026.
  29. ↑ Liang, Bin (2022). “Aspect-based sentiment analysis via affective knowledge enhanced graph convolutional networks”. Knowledge-Based Systems [англ.]. 235. DOI:10.1016/j.knosys.2021.107643. Дата обращения 2026-08-27.
  30. ↑ LLM-guided transfer for End-to-End ABSA. Emergent Mind. Дата обращения: 27 августа 2026.
  31. ↑ Implicit Aspect Extraction using GNN and LLM. ACM. Дата обращения: 27 августа 2026.
  32. ↑ E-ABSA20K: A Large-Scale Dataset for E-commerce Aspect-Based Sentiment Analysis. ACL Anthology. Дата обращения: 27 августа 2026.
  33. ↑ M-ABSA: A Multilingual Aspect-Based Sentiment Analysis Dataset. arXiv. Дата обращения: 27 августа 2026.
  34. ↑ Sharma, Raksha; Somani; Kumar; Bhattacharyya (2017). “Sentiment Intensity Ranking among Adjectives Using Sentiment Bearing Word Embeddings” (PDF). Association for Computational Linguistics [англ.]: 547—552. Дата обращения 2026-08-27.
  35. ↑ The 6 Best LLMs for Sentiment Analysis. Enterpret (1 мая 2024). Дата обращения: 27 августа 2026.
  36. ↑ 1 2 Cross-Lingual Sentiment Analysis for Low-Resource Languages using LLMs. Springer. Дата обращения: 27 августа 2026.
  37. ↑ Advances in Cross-Lingual Transfer Learning. ACM Digital Library. Дата обращения: 27 августа 2026.
  38. ↑ Parameter-Efficient Fine-Tuning for Multilingual Models. Nature. Дата обращения: 27 августа 2026.
  39. ↑ Pretraining Fails Cross-Lingual Knowledge Transfer. AlphaXiv. Дата обращения: 27 августа 2026.
  40. ↑ Adaptive Self-Alignment for Cross-Lingual NLP. PMC. Дата обращения: 27 августа 2026.
  41. ↑ Cambria, E; Schuller, B; Xia, Y; Havasi, C (2013). “New avenues in opinion mining and sentiment analysis”. IEEE Intelligent Systems [англ.]. 28 (2): 15—21. DOI:10.1109/MIS.2013.30. Дата обращения 2024-06-15. |access-date= требует |url= (справка)
  42. ↑ Ortony, Andrew. The Cognitive Structure of Emotions : [англ.] / Andrew Ortony, G Clore, A Collins. — Cambridge Univ. Press, 1988.
  43. ↑ Cambria, E. Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis : [англ.] / E Cambria, A Hussain. — Springer, 2015. — ISBN 978-3-319-23654-4.
  44. ↑ 1 2 Интеграция графов знаний с векторными вложениями LLM. ITWeek.ru. Дата обращения: 27 августа 2026.
  45. ↑ 1 2 Интеграция онтологического вывода с LLM. arXiv. Дата обращения: 27 августа 2026.
  46. ↑ Identifying breakpoints in public opinion (англ.). SigKDD, Proceedings of the First Workshop on Social Media Analytics (2010). Дата обращения: 27 августа 2026.
  47. ↑ SenticNet 7: A Commonsense-based Neurosymbolic AI Framework for Explainable Sentiment Analysis (англ.). Proceedings of LREC 3829–3839 (2022). Дата обращения: 27 августа 2026. Архивировано 26 мая 2025 года.
  48. ↑ Case Study: Advanced Sentiment Analysis (англ.). ParagonPoll. Дата обращения: 27 августа 2026. Архивировано 29 октября 2013 года.
  49. ↑ 1 2 3 How Companies Can Use Sentiment Analysis to Improve Their Business (англ.), Mashable. Архивировано 22 апреля 2010 года. Дата обращения: 27 августа 2026.
  50. ↑ Mozetič, Igor; Grčar, Miha; Smailović, Jasmina (5 мая 2016). “Multilingual Twitter Sentiment Classification: The Role of Human Annotators”. PLOS ONE [англ.]. 11 (5). arXiv:1602.07563. DOI:10.1371/journal.pone.0155036. ISSN 1932-6203. PMC 4858191. PMID 27149621.
  51. ↑ Socher, Richard; Perelygin, Alex; Wu, Jean Y.; Chuang, Jason; Manning, Christopher D.; Ng, Andrew Y.; Potts, Christopher (2013). “Recursive deep models for semantic compositionality over a sentiment treebank”. In Proceedings of EMNLP [англ.]: 1631—1642. Дата обращения 2024-06-15. |access-date= требует |url= (справка)
  52. ↑ Sentiment Analysis: A Comprehensive Guide. OptimizeGeo. Дата обращения: 27 августа 2026.
  53. ↑ Sentiment Analysis. Ultralytics. Дата обращения: 27 августа 2026.
  54. ↑ Sentiment Analysis: A Comprehensive Review of Deep Learning Techniques. Avepubs. Дата обращения: 27 августа 2026.
  55. ↑ 1 2 Deep Learning for Sentiment Analysis: A Review. PMC NCBI. Дата обращения: 27 августа 2026.
  56. ↑ Few-shot Learning for Corporate Sentiment Monitoring. STM Journals. Дата обращения: 27 августа 2026.
  57. ↑ Benchmarking LLMs for Fine-Grained Emotion Classification. arXiv. Дата обращения: 27 августа 2026.
  58. ↑ Sentiment Analysis Benchmarks. AIMultiple. Дата обращения: 27 августа 2026.
  59. ↑ Case Study: Advanced Sentiment Analysis (англ.). ParagonPoll. Дата обращения: 27 августа 2026. Архивировано 29 октября 2013 года.
  60. ↑ Mozetič, Igor; Grčar, Miha; Smailović, Jasmina (5 мая 2016). “Multilingual Twitter Sentiment Classification: The Role of Human Annotators”. PLOS ONE [англ.]. 11 (5). arXiv:1602.07563. DOI:10.1371/journal.pone.0155036. ISSN 1932-6203. PMC 4858191. PMID 27149621.
  61. ↑ Pragmatic Metacognitive Prompting for Sarcasm Detection. AlphaXiv. Дата обращения: 27 августа 2026.
  62. ↑ Гибридная модель анализа тональности для русскоязычных социальных сетей. CyberLeninka. Дата обращения: 27 августа 2026.
  63. ↑ The Pragmatic Blind Spot of Large Language Models. ACL Anthology. Дата обращения: 27 августа 2026.
  64. ↑ Amigó, Enrique, Jorge Carrillo-de-Albornoz, Irina Chugur, Adolfo Corujo, Julio Gonzalo, Edgar Meij, Maarten de Rijke, Damiano Spina. "Overview of replab 2014: author profiling and reputation dimensions for online reputation management." International Conference of the Cross-Language Evaluation Forum for European Languages, 2014, с. 307–322.
  65. ↑ 1 2 Sentiment Classification. EuroEval. Дата обращения: 27 августа 2026.
  66. ↑ A comprehensive review of evaluation metrics for machine learning models. Springer. Дата обращения: 27 августа 2026.
  67. ↑ 1 2 Model Evaluation Metrics. ML4Devs. Дата обращения: 27 августа 2026.
  68. ↑ Wright, Alex. Mining the Web for Feelings, Not Facts (англ.). New York Times (23 августа 2009). Дата обращения: 15 июня 2024. Архивировано 11 февраля 2025 года.
  69. ↑ Tumasjan, Andranik; Sprenger, Timm O.; Sandner, Philipp G.; Welpe, Isabell M. Predicting Elections with Twitter: What 140 Characters Reveal about Political Sentiment (англ.). Proceedings of the Fourth International AAAI Conference on Weblogs and Social Media (2010). Дата обращения: 27 августа 2026. Архивировано 12 декабря 2020 года.
  70. ↑ Korkontzelos, Ioannis; Nikfarjam, Azadeh; Shardlow, Matthew; Sarker, Abeed; Ananiadou, Sophia; Gonzalez, Graciela H. (2016). “Analysis of the effect of sentiment analysis on extracting adverse drug reactions from tweets and forum posts”. Journal of Biomedical Informatics [англ.]. 62: 148—158. DOI:10.1016/j.jbi.2016.06.007. PMC 4981644. PMID 27363901.
  71. ↑ Sentiment Analysis for Social Media (англ.). ForumScout. Дата обращения: 27 августа 2026.
  72. ↑ Методы анализа тональности текста с использованием контекстуальных эмбеддингов (PDF). Библиотека БГУИР. Дата обращения: 27 августа 2026.
  73. ↑ Современные методы мультимодального анализа тональности. Top-Technologies.ru. Дата обращения: 27 августа 2026.
  74. ↑ AI Sentiment Analysis in Social Media Monitoring (англ.). Zealousys. Дата обращения: 27 августа 2026.
  75. ↑ Автоматизация репутационного менеджмента. Orion Solutions. Дата обращения: 27 августа 2026.
  76. ↑ Разработка интеллектуальной системы для автоматического ответа на отзывы покупателей на маркетплейсах с применением LLM. CyberLeninka. Дата обращения: 27 августа 2026.
  77. ↑ Multimodal sentiment analysis in the wild: ethical considerations on data collection, annotation, and exploitation (англ.). Universität Augsburg (2016). Дата обращения: 15 июня 2024. Архивировано 17 марта 2025 года.
  78. ↑ Регуляторные нормы, дифференциальная приватность и федеративное обучение. Digital Law Journal. Дата обращения: 27 августа 2026.
  79. ↑ Как EU AI Act влияет на бизнес в Европе и за ее пределами. Data Privacy Office. Дата обращения: 27 августа 2026.

Категории