Sentiment analysis of reviews about the service sector

Abstract

Современное общество сталкивается с огромным объемом текстовой информации, доступной для анализа, благодаря развитию интернета и социальных сетей. В контексте этого роста, обработка естественного языка (NLP) становится важным инструментом для маркетинга, анализа отзывов и принятия управленческих решений. Выпускная квалификационная работа фокусируется на задаче определения эмоциональной окраски отзывов о сфере обслуживания. Исследование представляет собой сравнительный анализ различных методов определения тональности, включая лингвистические подходы, методы машинного обучения и гибридные методы. В ходе исследования была разработана и применена нейросетевая модель на основе архитектуры GRU для анализа тональности текстовых отзывов о сфере обслуживания. Архитектура нейросетевого классификатора была реализована и обучена на предварительно обработанных данных, затем была проведена оценка точности и эффективности. Результаты исследования подтверждают превосходство нейросетевого подхода в определении эмоциональной окраски текстовых данных, особенно в контексте отзывов о сфере обслуживания. Разработанный классификатор демонстрирует высокую точность и эффективность, достигая точности классификации 96,17% на валидационных данных. Это подтверждает его потенциал как инструмента для автоматического анализа эмоциональной окраски текстов в данной области. Для дальнейших исследований рекомендуется расширить объем и разнообразие данных, изучить влияние эмоциональной окраски на поведение потребителей, улучшить архитектуру нейронной сети и расширить области применения модели на другие сферы.

Modern society is faced with a huge amount of textual information available for analysis, thanks to the development of the Internet and social media. In the context of this growth, natural language processing (NLP) becomes an important tool for marketing, analyzing reviews and making managerial decisions. This paper focuses on the task of sentiment analysis of service sector reviews. The research is a comparative analysis of different sentiment analysis methods including linguistic approaches, machine learning methods and hybrid methods. In this research, a neural network model based on GRU architecture was developed and applied to analyze the tonality of text reviews about the service sector. The neural network classifier architecture was implemented and trained on pre-processed data, and then its accuracy and performance were evaluated. The results of the study confirm the superiority of the neural network approach in sentiment analysis of textual data, especially in the context of service sector reviews. The developed classifier demonstrates high accuracy and efficiency, achieving a classification accuracy of 96.17% on validation data. This confirms its potential as a tool for automatic sentiment analysis of texts in this domain. For further research, it is recommended to expand the amount and variety of data, explore the impact of sentiment on consumer behavior, improve the architecture of the neural network, and extend the application of the model to other domains.