Труды КНЦ. Технические науки. – 2026. - № 1

В зависим ост и от ур о вн я лек сической единицы выделяют задачи анализа мнений на уровне документа и на уровне предложения. Первая заключается в присвоении единой оценки (позитивной, негативной или нейтральной) всему текстовому документу, такому как отзыв пользователя, пост в блоге или новостная статья. П одход исходит из допущения о смысловой однородности документа, которое выполняется далеко не всегда. Например, в исследовании [Behdenna et al., 2016] выполнен сравнительный анализ эффективности классических алгоритмов машинного обучения, таких как Naive Bayes, SVM и деревья решений, для решения задачи классификации полярности на уровне документов. При этом авторы пришли к выводу о необходимости перехода к анализу на уровне предложения, поскольку документ может содержать разнонаправленные эмоциональные высказывания, и с ростом его объема предположение о смысловой цельности становится менее состоятельным. При анализе на уровне предложения фокус смещается на отдельные высказывания в рамках документа. Цель — классифицировать тональность или субъективность каждого предложения, что позволяет отделить фактические утверждения от оценочных суждений. Например, в [Sarkar, 2025] проведено сравнительное исследование NLP -техник для анализа тональности: от подходов на основе правил и классического машинного обучения (Naive Bayes, SVM) до методов глубокого обучения (LSTM, CNN) и архитектур Transformer (BERT, RoBERTa). Отмечается, что выбор оптимального метода зависит от конкретной прикладной задачи интеллектуального анализа текста, доступных ресурсов и требований к интерпретируемости результатов. Среди задач, связанны х с идент иф икацией и классиф икацией эм оциональны х высказы ваний, выделяют, в первую очередь, базовую задачу определения (классификации) тональности, которую можно представить следующей функцией: fsA (T ) ^ s, где Т — фрагмент текста (документ, предложение); s 6 { p o s , n e g , n e u } — тональность. В данном случае Т , по существу, является объектом, в отношении которого необходимо определить тональность, при этом у последней может дополнительно определяться сила или степень интенсивности. Примером работы, рассматривающей задачу определения тональности, является [Wang et al., 2020], где авторы предложили модель OL-DAWE для анализа полярности твитов, которая использует аугментацию данных путем замены слов на антонимы, упрощает эмодзи до маркеров эмоций и реализует тщательную обработку отрицаний. Определение интенсивности (sentiment intensity) [Tian et al., 2018] представляет собой вспомогательную задачу по отношению к анализу тональности, и, как правило, эти задачи решаются в комплексе: fs i ( T ) ^ (s, in t) , где i n t 6 R (например, от -1 до +1) или in t 6 {w e a k , m e d iu m , s t r o n g } — интенсивность тональности s. Например, в предложении «У этого телефона батарея слабовата, но камера крутая.» интенсивность тональности в отношении слова «крутая» будет (p o s, s t r o n g ) , т. е. очень позитивная. Задача анализа эмоций переходит от бинарной тональности к классификации текстового фрагмента по категориям базовых эмоций (радость, гнев, печаль и др.). Цель — идентифицировать конкретную эмоцию, выражаемую автором: f EA( T , H ) ^ e , где Н — источник или субъект; е 6 { jo y ,a n g e r,sa d n e ss, f e a r , . .. } — эмоция. Например, в [Amangeldi et al., 2024] проанализировали посты об экологии в социальных медиа, используя меру ассоциативности PMI (pointwise mutual information) для выявления настроений и эмоций. Схожей с формальной точки зрения задачей является анализ намерений (intent analysis) [Joke, 2025], она также является подразделом NLP, фокусирующимся на выявлении скрытой цели высказывания автора. В отличие от анализа эмоций, который нацелен скорее на определение внутреннего состояния субъекта, анализ намерений стремится определить его коммуникативное действие, например жалобу, Труды Кольского научного центра РАН. Серия: Технические науки. 2026. Т. 17, № 1. С. 105-114. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2026. Vol. 17, No. 1. P. 105-114. © Никонорова М. Л., Шишаев М. Г., Штангель В. А., 2026 1 0 8