Елементи нейромережної технології аналізу ставлення користувачів Twitter до брендів
DOI:
https://doi.org/10.17721/AIT.2023.1.02Ключові слова:
Twitter, аналіз інформації, класифікація тексту, сентиментальний аналіз, нейронні мережі, програмний застосунок, бібліотеки Python.Анотація
Вступ. Висвітлено проблему ефективної організації збору й аналізу інформації про ставлення користувачів Twitter до брендів у формі програмного застосунку. Розглянуто проблеми дослідження сучасних засобів збору й аналізу інформації; визначення функціоналу, який має реалізовувати застосунок; аналізу архітектурних рішень і вибору програмних засобів, необхідних для його реалізації. Методи. У процесі досліджень застосовано теорію маркетингу у сфері збору інформації про висновки споживачів, досліджено методи аналізу інформації з метою класифікації настрою споживачів, емпіричний аналіз і синтез архітектур, що застосовувався у створенні й порівнянні моделей нейронних мереж для класифікації тексту, розроблення та побудови власної моделі для класифікації. Результати. У межах задачі програмної реалізації аналізу тексту твітів досліджено архітектуру згорткових і рекурентних нейронних мереж, здійснено порівняння різних значень гіперпараметрів нейронних мереж, зокрема і функцій активації, функцій втрат, кількості епох навчання, кількості шарів мережі, виконано порівняння різних Python-бібліотек для оброблення природної мови в контексті оцінювання твітів. Висновки. Практичне значення дослідження полягає у створенні програмного засобу для ефективного аналізу ставлення користувачів Twitter до брендів, який може слугувати для підвищення ефективності маркетингової діяльності брендів.Завантажити
Посилання
Appel, O., Chiclana, F., Carter, J., & Fujita, H. (2016). A hybrid approach to the sentiment analysis problem at the sentence level. Knowledge-Based Systems,(108). https://doi.org/10.1016/j.knosys.2016.05.040
Chandra, P., & Singh, Y. (2004). Feedforward Sigmoidal Networks–Equicontinuity and Fault-Tolerance Properties. IEEE Transactions on Neural Networks, 15(6), 1350–1366. https://doi.org/10.1109/tnn.2004.831198
Chiang, Y. M, Chang, L. C, & Chang, F. J. (2004). Comparison of static-feedforward and dynamic-feedback neural networks for rainfall-runoff modeling. Hydrol. 297–311.
Choi, D., Shallue, C. J., Nado, Z., Lee, J., Maddison, C., J., & Dahl, G. E. (2019). On Empirical Comparisons of Optimizers for Deep Learning. Addis Ababa.
Conneau, A., Schwenk, H., Barrault, L., & Lecun, Y. (2017). Very Deep Convolutional Networks for Text Classification. Proceedings of the 15th Conference of the European Chapter of the Association for Computational Linguistics, (1), Long Papers, Valencia, Spain. https://doi.org/10.18653/v1/e17-1104
Farzad, A., Mashayekhi, H., & Hassanpour, H. (2019). A comparative performance analysis of different activation functions in LSTM networks for classification. Springer, 31 (5). (pp.2507–2521). doi:10.1007/s00521-017-3210-6
Higginbotham, J. (2015). Designing Great Web APIs. O’Reilly Media, Inc.
Keras. (2023). Conv1D layer. https://keras.io/api/layers/convolution_layers/convolution1d/
Kingma, D. P., & Ba, J. A. (2014). A Method for Stochastic Optimization. ICLR. https://www.kaggle.com/datasets/ishantjuyal/emotions-in-text. doi.10.48550/arXiv.1412.6980
Kirsch, K. (2023). What Is Brand Perception? How to Measure It and 4 Examples. Hubspot. https://blog.hubspot.com/marketing/what-is-brand-perception. July 05, 2023.
LeRoy Elliott D. (1998). A better Activation Function for Artificial Neural Networks. Technical Research Report, (3).
Minaee, S., Kalchbrenner, N., Cambria, E., Nikzad, N., Chenaghlu, M., & Gao, J. (2021). Deep Learning–based Text Classification: A Comprehensive Review. ACM Computing Surveys, 54(3). (pp. 1–40). doi:10.1145/3439726.
Nistor, S.C., Moca, M., Moldovan, D., Oprean, D. B. & Nistor, R. L. (2021) Building a Twitter Sentiment Analysis System with Recurrent Neural Networks. Sensors. (pp. 1-24). doi.org:10.3390/s21072266.
Ostrovskiy, S. (2021). Twitter – Briefly about the social network of the short format. ApiX-Drive. https://apix-drive.com/ru/blog/useful/twitter-korotko-o-socialnoj-seti-korotkogo-formata [in Ukrainian].
Pascanu, R., Mikolov, T., & Bengio, Y. (2013). On the difficulty of training Recurrent Neural Networks. Proceedings of the 30th International Conference on International Conference on Machine Learning, Atlanta GA.
Sheng, T. K., Socher R. D., & Manning C. (2015). Improved Semantic Representations from Tree-Structured Long Short-Term Memory Networks. doi:10.48550/arXiv.1503.00075.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15(56),1929−1958.
Statista. (2021). Distribution of Twitter users worldwide as of April 2021, by age group. https://www.statista.com/statistics/283119/age-distribution-of-global-twitter-users/.
Zhu X., Sobhani P., & Guo H. (2015). Long Short-Term Memory Over Recursive Structures. Proceedings of Machine Learning Research, (37), 1602–1612.
