Определение эмоциональной окраски текста — от бинарной оценки до аспектной тональности.
Ключевые тезисы
- Ирония, отрицания и доменный сленг — главные источники ошибок.
- Аспектный анализ отвечает не «хорошо ли», а «что именно хорошо».
- Разметка редко бывает согласованной: оцените согласие аннотаторов.
Подробный разбор
2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.
1Аспектная тональность
«Хорошо» — это мало; важно, что именно хорошо.
«Еда отличная, но официанты хамят и ждать пришлось час». Общая тональность — смешанная. Аспектная разметка: еда → положительно, обслуживание → отрицательно, скорость → отрицательно. Только вторая версия полезна ресторану.
- Основные сложности: отрицания («не сказать, что плохо»), ирония, доменный сленг.
- Согласие аннотаторов на тональности редко превышает 80% — это потолок качества модели.
- Оценивать модель нужно по сегментам: короткие отзывы, отзывы с отрицаниями, разные категории товаров.
2Как строить систему
От отзывов до дашборда, которому доверяют.
- Определить, что считается позитивом и негативом, и зафиксировать это в инструкции для разметчиков.
- Разметить 1 000–2 000 примеров, измерить согласие аннотаторов — это потолок качества.
- Бейзлайн TF-IDF + логистическая регрессия, затем дообученный трансформер.
- Отдельно оценить сегменты: короткие отзывы, отзывы с отрицаниями, разные категории.
- Выводить не только метку, но и уверенность; спорные случаи отправлять на ручную проверку.
Связанные темы
Прикладные задачи NLP
Text classification75%
Классификация текстов · Обработка естественного языкаОтнесение документа к одной или нескольким категориям: от спам-фильтра до маршрутизации тикетов.
NER75%
Извлечение именованных сущностей · Обработка естественного языкаРазметка последовательности: находим в тексте имена, организации, даты, суммы.
BERT75%
BERT · Обработка естественного языкаДвунаправленный энкодер, предобученный на восстановлении замаскированных токенов.
Embeddings75%
Эмбеддинги · Обработка естественного языкаПлотные векторные представления объектов, где геометрическая близость означает смысловое сходство.
F175%
F1-мера · МетрикиГармоническое среднее точности и полноты — компромисс между ними одним числом.
Precision75%
Точность · МетрикиКакая доля объектов, предсказанных положительными, действительно положительна.
Recall75%
Полнота · МетрикиКакая доля реально положительных объектов найдена моделью.