Клиент всегда прав: анализ тональности текста в отзывах о качестве банковского обслуживания

Об авторах:

Брунова Елена Георгиевна, доктор филологических наук, профессор кафедры английского языка, военный историк, Тюменский государственный университет; egbrunova@mail.ru; ORCID: 0000-0002-8493-5932

Бидуля Юлия Владимировна, кандидат филологических наук, доцент кафедры информационных систем, Тюменский государственный университет; bidulya@yandex.ru; ORCID: 0000-0003-1878-3114

Аннотация:

Целью исследования является разработка алгоритма на основе правил для анализа тональности текста. Материалом послужили отзывы на русском языке о качестве банковского обслуживания из народного рейтинга банков (сайт www.banki.ru). Анализ тональности текста рассматривается как задача классификации, т. е. отнесение текста к одному из двух классов — с положительной и отрицательной оценкой. В основу алгоритма положено использование определенных лексико-грамматических конструкций наряду с оценочным лексиконом, содержащим классы слов с положительной и отрицательной оценкой, а также три служебных класса.

Эффективность предложенного алгоритма оценивается с помощью показателей точности (Precision), полноты (Recall) и меры F Ван Ризбергена в сравнении с результатами работы другого алгоритма, широко применяемого для анализа тональности — Наивного Байесовского классификатора. Для оценки эффективности использован корпус из 200 отзывов о качестве банковского обслуживания. Значения точности, полноты и F-меры у предложенного алгоритма оказались на 5-8% выше, чем у Наивного Байесовского классификатора.

Список литературы:

1. Брунова Е. Г. Алгоритм с элементами формальной грамматики для контент-анализа мнений / Е. Г. Брунова, Ю. В. Бидуля // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2014. № 7. С. 242-250. https://vestnik.utmn.ru/energy/vypuski-arhiv/2014/113083/
2. Компьютерная лингвистика и интеллектуальные технологии: по материалам ежегодной Международной конференции «Диалог» (Москва, 27-30 мая 2015 г.). М.: Изд-во РГГУ, 2015. Том 2. Вып. 14(21).
3. Лукашевич Н. В. Извлечение и использование оценочных слов в задаче классификации отзывов на три класса / Н. В. Лукашевич, И. И. Четверкин // Вычислительные методы и программирование. 2011. Т. 12. С. 73-81.
4. Энциклопедический словарь крылатых слов и выражений / сост. В. Серов. М.: Локид-Пресс, 2003.
5. Annett M. A comparison of sentiment analysis techniques: Polarizing movie blogs / M. Annett, G. Kondrak // Advances in Artificial Intelligence. Springer Berlin Heidelberg, 2008. Pp. 25-35.
6. Brunova E. Parametrical words in the sentiment lexicon / E. Brunova // (IJCRSEE) International Journal of Cognitive Research in Science, Engineering and Education. 2013. Vol. 1. No 2. URL: http://www.ijcrsee.com 
7. Ganapathibhotla M. Mining opinions in comparative sentences / M. Ganapathibhotla, B. Liu // Proceedings of the 22nd International Conference on Computational Linguistics. Manchester, 2008. Pp. 241-248.
8. Hatzivassiloglou V. Predicting the Semantic Orientation of Adjectives / V. Hatzivassiloglou, K. McKeown // Proc. of the 35th Annual Meeting of ACL, Madrid, 1997. Pp. 174-181.
9. Liu B. Sentiment analysis and subjectivity. Handbook of Natural Language Processing / B. Liu. 2010. URL: http://www.cs.uic.edu/~liub/FBS/NLP-handbook-sentiment-analysis.pdf 
10. Manning С. Introduction to information retrieval / С. Manning, P. Raghavan, H. Schütze. Cambridge University Press, Cambridge, 2008. 
11. Medhat W. Sentiment analysis algorithms and applications: a survey / W. Medhat, A. Hassan, H. Korashy// Ain Shams Engineering Journal. 2014. No 5(4). Pp. 1093-1113. 
12. Nasukawa T. Sentiment Analysis: Capturing Favorability Using Natural Language Processing / T. Nasukawa, J. Yi // Proceedings of the 2nd International Conference on Knowledge Capture. Florida, 2003. Pp. 70-77.
13. Pal J. Identifying Themes in Social Media and Detecting Sentiments / J. Pal, A. Saha // International Journal of Statistics and Applications. 2011. Vol. 1. No 1. Pp. 14-19.
14. Pang B. Thumbs up? Sentiment classification using machine learning techniques / B. Pang, L. Lee, S. Vaithyanathan // Proceedings of EMNLP, 2002. URL: http://www.cs.cornell.edu/people/pabo/papers/sentiment.pdf 
15. Tan Li Im. Rule-based sentiment analysis for financial news / Tan, Phang Wai San, Chin Kim On, Patricia Anthony // Proceedings of the IEEE Inter-national Conference on Systems, Man, and Cybernetics, Hong Kong, 2015. Pp. 1601-1606. 
16. Turney P. Thumbs up or thumbs down? Semantic orientation applied to supervised classification of reviews / P. Turney // Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (ACL), Philadelphia, 2002. Pp. 417-424.
17. Webb G. Not So Naive Bayes: Aggregating One-Dependence Estimators / G. Webb, J. Boughton, Z. Wang // Machine Learning. 2005. No 58. Pp. 5-24.