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

Современный практикой является объединение сильных сторон предыдущих методов для преодоления их индивидуальных ограничений. При таком подходе создаются архитектуры, комбинирующие знания (словари, правила, онтологии) и возможности машинного и глубокого обучения. Примером разработки гибридных методов является работа [Ondara et al., 2023], где для анализа сравнительных мнений авторы предложили четыре комбинации методов, объединяющих многослойный персептрон (MLP) со случайным лесом, SVM, деревьями решений и стохастическим градиентным спуском. Наилучший результат показала комбинация MLP и случайного леса, достигнув средней точности и F1-score 93 % на трех датасетах сравнительных отзывов. Эволюция методов извлечения мнений демонстрирует путь от экспертных знаний к глубокому статистическому анализу и далее — к сложным гибридным системам, стремящимся объединить достоинства обоих подходов. В частности, для анализа мнений в социальных медиа, где языковые особенности и контекст играют ключевую роль, наиболее эффективными оказываются предобученные Transformer-модели, дообучаемые на доменных данных и обогащаемые внешними знаниями и правилами. Заключение Настоящий обзор показывает, что анализ мнений и тональности превратился из узкой исследовательской задачи в междисциплинарную область, обладающую высокой практической ценностью. Широкое внедрение в такие сферы, как маркетинговые и бизнес-исследования, мониторинг общественно-политических настроений, а также образование, подтверждает ее актуальность. Эволюция задач анализа мнений демонстрирует переход от простой классификации полярности к более сложным постановкам: аспектно-ориентированному анализу, распознаванию эмоций, интенсивности, намерений и сравнительных конструкций. Такое изменение отражает не только прогресс алгоритмов, но и высокий уровень требований к системам — от поверхностной оценки «хорошо/плохо» к глубокому, структурированному пониманию субъективных высказываний. О собую методологическую сложность представляет анализ мнений в социальных медиа. Краткость сообщений, неформальная и динамичная лексика, мультимодальность и сетевая структура коммуникации делают невозможным прямое использование подходов, разработанных для формальных текстов. Ключевыми вызовами остаются извлечение имплицитных высказываний, а также выявление иронии и сарказма. Совершенствование методов анализа тональности демонстрирует переход от основанных на словарях и правилах подходов к более сложным моделям машинного обучения и, далее, к широкому внедрению глубоких нейросетевых архитектур. На сегодняшний день наилучшие результаты демонстрируют предобученные Transformer-модели, однако их низкая интерпретируемость, ресурсоемкость и чувствительность к данным способствуют развитию гибридных подходов. Перспективы дальнейших исследований могут быть связаны с созданием мультимодальных архитектур, а также с разработкой методов быстрой адаптации к новым доменным знаниям (посредством использования few -shot и zero-shot learning), что позволит перейти от простого определения тональности к пониманию сложной структуры онлайн-коммуникации. Список источников Лукашевич Н. В. Автоматический анализ тональности текстов: проблемы и методы // Интеллектуальные системы. Теория и приложения. 2022. Т. 26, №1. С. 50-61. Пимешков В. К., Никонорова М. Л., Шишаев М. Г. Комбинированный метод извлечения терминов для задачи мониторинга тематических обсуждений в социальных медиа // Информатика и автоматизация. 2024. Т. 23, № 4. С. 1110-1138. Ahmed S., Danti A. Effective Sentimental Analysis and Opinion Mining of Web Reviews Using Rule Based Classifiers // Computational Intelligence in Data Mining—Volume 1 / ed. by H. S. Behera, D. P. Mohapatra. New Delhi: Springer India, 2016. P. 171-179. Amangeldi D., Usmanova A., Shamoi P. Understanding Environmental Posts: Sentiment and Emotion Analysis of Social Media Data // IEEE Access. 2024. Vol. 12. P. 33504-33523. Basiron H., Kasmuri E. Subjectivity analysis in opinion mining — A systematic literature review // International Journal of Advances in Soft Computing and Its Applications. 2017. Vol. 9, № 3. P. 132-159. Behdenna S., Barigou F., Belalem G. Sentiment analysis at document level // International Conference on Smart Trends for Information Technology and Computer Communications (SMARTCom 2016). 2016. P. 682-689. 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 1 2