ИЗУЧЕНИЕ ДОСТУПНЫХ СИСТЕМ ДЛЯ АНАЛИЗА ЭМОЦИЙ, ИЗВЛЕЧЕННЫХ ИЗ ТЕКСТА,  И ОБЕСПЕЧЕНИЯ МЕХАНИЗМА ДЛЯ УЛУЧШЕНИЯ ВЗАИМОДЕЙСТВИЯ ЧЕЛОВЕКА С МАШИНОЙ

М. М. Аббаси; А. П. Бельтюков

doi:10.22213/2410-9304-2019-4-53-62

Авторы

М. М. Аббаси
А. П. Бельтюков

DOI:

https://doi.org/10.22213/2410-9304-2019-4-53-62

Ключевые слова:

текст, эмоции, блог, общение, тема, анализ

Аннотация

Развитие информационных технологий позволяет нам разрабатывать системы для анализа и обработки данных. Сегодня основным источником доступных данных является интернет. Исследователи разработали онлайн- и офлайн-системы для анализа этих данных. Этот анализ может быть использован для различных целей. Данная работа сосредоточена на изучении систем, которые используются для анализа эмоций, извлеченных из текста. В этой статье анализируются такие системы и, основываясь на авторских исследованиях, предлагаются механизмы для повышения их характеристик и улучшения области применения, а также сравнивается их производительность.

Анализ эмоций, извлеченных из текста, может быть использован для прогнозирования будущих событий, отзывов людей о продукте или услуге, идентификации группы людей по интересам и разработки машины, которая может имитировать поведение человеческих эмоций. Основной целью статьи является усовершенствование механизма человеко-машинного взаимодействия при общении с использованием текста. В статье предлагается механизм, который улучшает взаимодействие человека и машины путем определения психолингвистических характеристик текста, которые представляют поведение человека. Данный механизм будет изучать отношения между эмоциями и психолингвистическими характеристиками текста. Это облегчит процесс взаимодействия человека с машиной.

Библиографические ссылки

Stone P.J., Dunphy D.C., Smith M.S. (1966). The General Inquirer: A Computer Approach to Content Analysis / MIT Press - Cambridge, 519 p.

Wiebe, Janyce M. (1990). Identifying Subjectivity characters in Narrative // Proc. 13th International Conference on Computational Linguistics. Helsinki, pp. 401-408.

Vasileios H., Kathleen R. M. (1997). Predicting the Semantic Orientation of Adjectives // Proc. 8th Conference on European chapter of the Association for Computational Linguistics. Spain, pp 174-181.

Peter D. T. (2002). Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews // Proc. of the 40th Annual Meeting of the Association for Computational Linguistics. Philadelphia, pp. 417-424.

Pang B., Lee L. (2002). Thumbs up? Sentiment Classification using Machine Learning Techniques // Proc. Conference on Empirical Methods in Natural Language Processing. Philadelphia, pp. 79-86.

Denecke K. (2009). Are SentiWordNet scores suited for multi-domain sentiment classification? // Proc. 4th International Conference on Digital Information Management. USA, pp. 33-38.

Abbasi M.M., Beltiukov A.P. (2018). Механизм предварительной обработки текста перед анализом настроений // Proc. 6th Всероссийская конференция, Информационные технологии интеллектуальной поддержки принятия решений. Уфа ; Ставрополь, Россия.

Boley D., Gini M., Gross R. (1999) Partition based clustering for web document categorization // Elsevier Journal for Decision Support Systems , 27 (3), 329-341.

Beltiukov A.P., Abbasi M.M. (2019). Logical analysis of emotions in text from natural language // Vestnik Udmurtskogo Universiteta Matematika Mekhanika Komp'yuternye Nauki, 29 (1), 106-116.

Ermakov A. (2009). Knowledge extraction from text and its processing: Current state and prospects // Proc. of the Computational Linguistics and Intellectual Technologies. 2009, pp. 50-55.

Pivovarova L., Yangarber R. (2013). Adapting the PULS event extraction framework to analyze Russian text // Proc. of the 4th Biennial International Workshop on Balto-Slavic Natural Language Processing. Sofia, Bulgaria, 8-9, pp. 100-109.

Zagibalov., Taras., Belyatskaya et al. (2010). Comparable English-Russian Book Review Corpora for Sentiment Analysis. Russia // Proc. of the 1st Workshop on Computational Approaches to Subjective and Sentiment Analysis, Lisbon, Portugal pp.67-72.

Steinberger J., Lenkova P., Kabadjov M. (2011). Multilingual Entity-Centered Sentiment Analysis Evaluated by Parallel Corpora // Proc. of Recent Advances in Natural Language Processing. Bulgaria, pp. 770-775.

Chetviorkin I., Braslavskiy P., Loukachevich N. (2012). Sentiment Analysis Track at ROMIP 2011 // Computational Linguistics and Intellectual Technologies. Proc. of the International Conference (Dialog). Bekasovo, pp. 1-14.

Sokolova M., Bobicev V. (2009). Classification of emotion words in Russian and Romanian languages // International Conference RANLP. Borovets, Bulgaria, pp. 416-420.

Abbasi M. M., Beltiukov A.P. (2017). Analysis of sentiment and emotion from text written in Russian language // Proc. of the 5th All Russian Conference on Information technology for intelligent decision making support (ITIDS). Ufa, Russian Federation, vol. 1, issue 1, page 42-47.

Abbasi M.M., Beltiukov A.P. (2019). Analysis of emotions from text in Russian Language using syntactic methods // Proc. of the 7th International Science Conference. Information Technology and Systems. Khanty-Mansiysk , Russia, pp. 137-142.

Jaruskululchi C., Kruengkrai. (2003). Generic text summarization using local and global properties of sentences // IEEE/WIC International conference on web intelligence. pp.13-16.

Kiabod M., Naderi M., Sharafi S.M. (2012). A novel method of significant words identification in text summarization // Journal of Emerging Technologies in Web Intelligence, 4 (3).

Abbasi M.M., Beltiukov A.P. (2018). Analyzing emotions from text corpus using Wordspace // Proc. of the 20th international workshop on computer science and information technologies CSIT. Bulgaria, Varna, vol. 3, issue 4, pp. 161-164.

Abbasi M.M., Beltiukov A.P. (2019). Summarizing Emotions from Text Using Plutchik’s Wheel of Emotions // Advances in Intelligent systems research, In Proceedings of the 7th Scientific Conference on Information Technologies for Intelligent Decision Making Support (ITIDS). Atlantis press, vol. 166, pp. 291-294.

Patel N. How to get actionable data from google analytics in 10 minutes // [Электронный ресурс] URL: https://neilpatel.com/blog/how-to-get-actionable-data-from-google-analytics-in-10-minutes/ (дата обращения: 20.04.2018).

Gil Raviv. Sentiment Analysis in Power BI – Part 2 // [Электронный ресурс] URL: https://datachant.com/2016/08/09/sentiment-analysis-power-bi-part-2/ (дата обращения: 10.02.2019).

Tableau Desktop: Start your free 14-Day trial // [Электронный ресурс] URL: https://www.tableau.com/pro-ducts/desktop/download#system-requirements (дата обращ¬ения: 05.04.2019).

Q emoitonapp login // [Электронный ресурс] URL: https://twitter.com/qemotionapp (дата обращения: 11.04.2019).

MoodPatrol login // [Электронный ресурс] URL: https://twitter.com/hashtag/MoodPatrol?src=hash (дата обращения: 19.04.2019).

DeLone W.H., McLean E.R .(1992). Information systems success: The quest for the dependent variable // Information Systems Research, 3(1), 60-95.

Rai A., Lang S. S., Welker R B. (2002). Assessing the Validity of IS Success Models : An Empirical Test and Theoretical Analysis // Information Systems Research, 13(1), 50-69.

Bryd T.R., Thrasher E.H., Lang T., Davidson N.W. (2006). A process-oriented perspective of IS success: Examining the impact of IS on operational cost. Omega, 34 (1), 448-460.

Wu J H., Wang Y M. (2006). Measuring KMS success: A respecification of the DeLone and McLean ́s model // Information & Management, 43(1),728-739.

Lai J.Y., Yang C.C., Tang W.S. (2008).Exploring the Effects of Dependability on Enterprise Applications Success in e-Business // SIGMIS-CPR’06. Claremont, California, USA. pp. 244-52. DOI:10.1145/1125170.1125229.

Carlisle M., James H. (June 1976). Evaluating the impact of office automation on top management communication // Proc. of the June 1st conference on National computer conference and exposition on – AFIPS, 611–616. https://en.wikipedia.org/wiki/Digital_object_identifier. DOI: 10.1145/1499799.1499885.

Card., Stuart K., Thomas P., Moran, Allen N. (July 1980). The keystroke-level model for user performance time with interactive systems // Communications of the ACM, 23 (7), 396–410. https://en.wikipedia.org/wiki/Digital_ object_iden¬tifier. DOI: 10.1145/358886.358895.

Horvitz E., Breese., Jack., Heckerman., et al. (July 1998).The Lumiere Project: Bayesian User Modeling for Inferring the Goals and Needs of Software Users // Proc. of the 14th Conference on Uncertainty in Artificial Intelligence, Madison, WI, San Francisco, 256-65.

Stephanidis C. et al. (1998). Adaptable and adaptive user interfaces for disabled users in the AVANTI project // Lecture Notes in Computer Science, Springer, Berlin, Heidelberg, 1430(1),153-166. URL: https://doi.org/10.1007/ BFb0056962. Johanson, B., Fox A. (2002). The Event Heap: A Coordination Infrastructure for Interactive Workspaces // Proc. of the 4th IEEE Workshop on Mobile Computing Systems and Applications (WMCSA).