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

вопрос, предложение или выражение удовлетворения. Однако эти задачи тесно связаны. Эмоция (например, гнев) часто коррелирует с определенным намерением (жалоба или угроза), но они не являются синонимами: можно жаловаться спокойно (без эмоции гнева) и можно испытывать гнев, не формулируя никакого коммуникативного намерения. Поэтому в комплексных системах (чаты поддержки, диалоговые агенты) важно решать обе задачи параллельно. Цель классической задачи анализа мнений [Ujah-Ogbuagu et al., 2025] не просто классифицировать, а выявить, декомпозировать и связать в единую структуру ключевые компоненты субъективного высказывания. Формально ее можно представить следующим образом: f o M ( T ) ^ [ ( H i ,Ej , O i j , s ij)}, где Ej — объект/сущность мнения; Oij — фрагмент текста, выражающий мнение; Sij — тональность. При необходимости сущность может быть заменена на конкретный ее аспект. В случае примера, приведенного в задаче определения интенсивности, например, может извлекаться мнение только относительно камеры, а не всего телефона. Решению задачи анализа мнений различными методами и технологиями посвящено множество работ, некоторые из них будут рассмотрены в разделе методов анализа мнений. В свою очередь, аспектное извлечение мнений (aspect-based sentiment analysis, ABSA ) представляет собой отдельную узкую задачу, которая фокусируется на связывании аспектов мнения с тональностью, и состоит из двух подзадач: 1) извлечение аспектов — / а (Т ) ^ { А1, . . . , А т ); 2) определение тональности аспектов — f ас (Т , (А\> . . . , ^ т } ) ^ ( ( ^ i , s i)}. Стоит отметить, что на практике обе задачи иногда выполняются совместно, поскольку одна задача может предоставить информацию для другой, и наоборот. В результате аспектного анализа мнений можно получить более точную оценку мнения в целом, что особенно полезно для такой области, как бизнес и маркетинг. Например, в работе [Perikos, Hatzilygeroudis, 2017] применили ансамбль классификаторов для повышения точности ABSA в контенте социальных сетей. Методология включает двухэтапный процесс (извлечение аспектов и определение полярности) с использованием алгоритмов Naive Bayes, максимальной энтропии и SVM. Анализ сравнительных мнений (comparative opinion mining) направлен на обнаружение в тексте конструкций, сравнивающих два или более объекта. В первую очередь выявляются сравнительные предложения, из которых впоследствии извлекаются объекты, иногда их аспекты и сравнительные мнения. Формально определяется следующим образом: f c oM( T ) ^ { ( Е і , Е г >A i , с о т , d )}, где с о т — отношение сравнения; d — степень сравнения. В обзорной работе [Varathan et al., 2017] подробно рассмотрены методы анализа сравнительных мнений в целом и методы извлечения элементов данных мнений. Авторы отметили доминирование подходов, основанных на NLP, и недостаток публичных датасетов для проведения экспериментов. К задачам анализа мнений, связанным с обработ кой ест ест венного я зы ка , относят анализ субъективности, обнаружение сарказма и иронии, а также извлечение и разрешение сущностей. Анализ субъективности представляет собой фундаментальную задачу отделения субъективных предложений, содержащих мнения или эмоции, от объективных, утверждений-фактов. В систематическом обзоре [Basiron, Kasmuri, 2017] показано преимущество методов машинного обучения перед лексическими подходами при решении данной задачи. Авторы также выделили ограничения, связанные с доменной зависимостью и дефицитом размеченных данных, и указали на пробелы в обработке семантических нюансов, таких как сарказм. Сложность задачи обнаружения сарказма обусловлена тем, что буквальное значение саркастического высказывания противоположно его истинному смыслу, что дезориентирует стандартные методы анализа тональности. Например, в [Bouazizi, Ohtsuki, 2015] предложен метод повышения точности анализа тональности в Twitter за счет автоматического обнаружения сарказма. Труды Кольского научного центра РАН. Серия: Технические науки. 2026. Т. 17, № 1. С. 105-114. Transactions of the Kola Science Centre of r A s . Series: Engineering Sciences. 2026. Vol. 17, No. 1. P. 105-114. © Никонорова М. Л., Шишаев М. Г., Штангель В. А., 2026 1 0 9