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

Авторы использовали минимальный набор текстовых и нетекстовых признаков для классификации твитов по полярности (позитив/негатив), а затем применили специализированный классификатор сарказма, основанный на четырех группах признаков (связанных с тональностью, пунктуацией, синтаксисом и паттернами). Интеграция выявленных саркастических признаков в модель тональности позволила существенно повысить ее точность, в особенности полноту выявления негативных твитов, замаскированных под позитивные высказывания. Последняя задача заключается в корректной идентификации и извлечении (named entity recognition), а также в связывании упоминаний объектов (entity linking), о которых высказывается мнение. Например, в [Bhamare, Prabhu, 2021] для извлечения аспектов мнения предложен гибридный набор признаков, объединяющий синтаксические зависимости между словами и их леммы, что позволяет более точно идентифицировать целевые аспекты оцениваемых объектов в тексте. На стандартных датасетах подход продемонстрировал улучшение качества извлечения аспектов по сравнению с традиционными методами, использующими только частотные или поверхностные синтаксические характеристики. О собенности задачи анализа мнений в социальны х м едиа Социальные медиа представляют собой уникальную и сложную среду для анализа мнений, значительно отличающуюся от традиционных источников, таких как новостные статьи, рецензии или публицистические тексты. Их ключевые особенности как объекта исследования создают как новые возможности, так и значительные методологические трудности для построения систем, ориентированных на анализ мнений. К основным особенностям социальных медиа можно отнести: 1) динамичность и высокую скорость обновления: мнения формируются, распространяются и эволюционируют в режиме, близком к реальному времени, что требует от систем мониторинга потоковой обработки и адаптивности; 2) неформальность языка: преобладание сленга, нестандартной, в том числе намеренно ошибочной, орфографии и пунктуации, а также использование региональных диалектов; 3) мультимодальность: мнение выражается не только через текст, но и через изображения, видео, эмодзи (стикеры), которые несут значительную смысловую и эмоциональную нагрузку; 4) явную сетевую структуру: мнения существуют не изолированно, а в контексте социального графа (комментарии, репосты, подписчики, друзья), что напрямую влияет на их распространение и силу влияния; 5) кратковременность и контекстуальная зависимость: мнение зачастую привязано к кратковременному тренду, хештегу или локальному событию, вне контекста которого оно теряет смысл. В контексте данных особенностей анализ мнений часто сопряжен с рядом трудностей, многие из которых остаются нерешенными современными NLP -системами. Например, Н. В. Лукашевич [Лукашевич, 2022] выделяет следующие группы факторов, усложняющих обработку естественного языка: лексические, контекстные и связанные с выражением иронии или сарказма. К лексическим факторам относятся многозначность оценочной лексики (изменчивость тональности слова в зависимости от его значения) и изменчивость тональности слова (но не значения) в зависимости от предметной области. К последнему также относят так называемые имплицитные мнения, при которых оценка часто не выражается прямыми оценочными словами, а следует из описания некоторых фактов. Контекстные факторы, в свою очередь, связаны с изменением тональности оценочной лексики в зависимости от контекста ее употребления. Например, при ее использовании в качестве названий или устойчивых выражений, с добавлением слов модификаторов («очень», «менее» и др.) или в нереальном контексте, несоответствующем действительности. Наконец, употребление иронии или сарказма зачастую может скрывать негативную оценку, что сильно усложняет анализ мнений. Помимо прочего, к лексическим трудностям следует отнести использование неформального языка, а именно опечатки, намеренные искажения слов («крутооо», «вааау»), отсутствие заглавных букв и пунктуации, из-за чего применение классических токенизаторов и синтаксических парсеров 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 1 0