Одним из перспективных направлений Data Science в рамках практико-ориентированных подходов к анализу социальных сетей (Social network analysis), с точки зрения формализации мнений пользователей сети (агентов), является класс методов анализа контента, предназначенный для автоматизированного выявления в текстах эмоционально окрашенной лексики и эмоциональной оценки авторов по отношению к объектам, речь о которых идет в тексте. С помощью такого анализа можно изучить массив сообщений и иных данных и определить, как они эмоционально окрашены – позитивно, негативно или нейтрально. В статье предложен сравнительный анализ двух подходов к исследованию возможностей классификации текстовых последовательностей в зависимости от их эмоциональной окраски: на основе рекуррентной нейронной сети (RNN) и с использованием графовых сверточных сетей (GCN). Первый подход реализован на основе глубокого обучения c использованием инструмента Deep Leraning Designer (MathWorks© MATLAB R2021b). Второй подход основан на использовании сверточных графовых нейросетей для классификации текста. Реализация GCN осуществлена на языке Python с использованием соответствующего набора библиотек для анализа данных. Кроме этого, в работе показано, что полученная модель может использоваться при оценке рисков, где получаемое значение используется в качестве корректирующего коэффициента при расчетах риска вовлеченности пользователя. По результатам сравнения двух подходов показано, что при использовании GCN снижается процент обучающих данных, что свидетельствует о чувствительности метода к меньшему количеству обучающих данных, а также повышении точности модели при сопоставимых настраиваемых параметрах обучения.
One of the promising areas of Data Science within the framework of practice-oriented approaches to the analysis of social networks (Social network analysis) from the point of view of network users’ (agents’) opinion formalization is a class of content analysis methods designed for automated identification of emotionally colored vocabulary in texts and emotional evaluation of authors in relation to the objects referred to in the text. With the help of such an analysis, it is possible to study an array of messages and other data and determine how they are emotionally colored - positively, negatively or neutrally. The article offers a comparative analysis of two approaches to the study of text sequences classification possibilities depending on their emotional coloring: one by means of a recurrent neural network (RNN) and another involving graph convolutional networks (GCN). The first approach is implemented through deep learning utilizing the Deep Learning Designer tool (MathWorks © MATLAB R2021b). The second approach is based on the application of convolutional graph neural networks for text classification. GCN implementation is carried out in Python using the appropriate set of libraries for data analysis. In addition, the paper shows that the resulting model can be used in risk assessment, where the resulting value serves as a correction factor in calculating the risk of user involvement. Based on the results of the two approaches comparison, it is shown that when using GCN, the percentage of training data decreases, which indicates the sensitivity of the method to a smaller amount of training data, while the accuracy of the model increases with comparable configurable training parameters
The authors declare that there are no conflicts of interest present.