moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2020.30.3.016 831 Модели и методы анализа тональности в текстах на башкирском языке Models and methods for sentiment analysis of texts in Bashkir language Сулейманов Азамат Каримович Suleimanov Azamat K. azamat-sul2010@yandex.ru aff-1 Шарипова Миляуша Амировна Sharipova Milyausha A. mamirovna@yandex.ru aff-2 Сметанина Ольга Николаевна Smetanina Olga N. smoljushka@mail.ru aff-3 Сазонова Екатерина Юрьевна Sazonova Ekaterina Y. rassadnikova_ekaterina@mail.ru aff-4 Миронов Константин Валерьевич Mironov Konstantin V. mironovconst@gmail.com aff-5 Уфимский государственный авиационный технический университет Ufa State Aviation University Уфимский государственный авиационный технический университет Ufa State Aviation University Уфимский государственный авиационный технический университет Ufa State Aviation Technical University Уфимский государственный авиационный технический университет Ufa State Aviation Technical University Уфимский государственный авиационный технический университет Ufa State Aviation Technical University 01 01 2026 1 1 10.26102/2310-6018/2020.30.3.016 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Исследования в области автоматического извлечения мнений по-прежнему остаются актуальными. В статье представлено формальное описание термина мнение, постановки задач в зависимости от определяемых свойств мнения. Описаны проблемы решения задачи анализа тональности текста, подходы к ее решению и готовые программные реализации. Приведены имеющиеся корпусы текстов на башкирском языке, а также постановка задачи анализа тональности в текстах на башкирском языке. Рассмотрена методика ее решения, включающая алгоритм разметки текста, методы предобработки, выбора признаков классификации, методы классификации, приведены результаты эксперимента с целью выбора наиболее эффективного метода классификации для программной реализации с учетом метрик качеств. Полученные в работе результаты и разработанное программное решение на основе SVM со стохастическим градиентным спуском, продемонстрировавшим наиболее высокие показатели в критериях точности, полноты и F-меры, могут быть использованы для оценки тональности текстов новостных сайтов на башкирском языке.

The research works on automatic opinion extraction are still relevant. The article presents a formal description of the term opinion, setting tasks depending on the determined properties of opinion. The problems of solving the tasks of sentiment analysis, approaches to its solution and readymade software implementations are described. Available corpora of texts in the Bashkir language are presented, and also task statement for sentiment analysis in the Bashkir language. Presented solution, which include an algorithm for tagging the texts, a preprocessing algorithm, a choice of classification features, and classification algorithms. Also, the results of computational experiment, which aimed to define the most effective classifier based on quality metric, are present. The results in this work and the developed software solution based on SVM with stochastic gradient descent, which demonstrated the highest indicators in the criteria of accuracy, completeness, and F-measure, can be used to sentiment analysis of news sites in the Bashkir language. The results of the research presented in this article were supported by Grants RFBR 19-07-00709, 20-08-00668 and Ministry of Science and Higher Education of the Russian Federation in the framework of the work under the State Assignment of Ufa State Aviation Technical University # FEUE-2020-0007.

 анализ тональности текста компьютерная лингвистика машинное обучение признаки классификации гибридный подход метод опорных векторов случайный лес sentiment analysis computational linguistics machine learning classification features hybrid intelligent system support vector machine random forest Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Ананьева М. И., Кобозева М. В., Соловьев Ф. Н., Поляков И. В., Чеповский А. М. О проблеме выявления экстремистской направленности в текстах. Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2016;14(4):5–13. Башкирский поэтический корпус. Доступно по адресу: http://webcorpora.net/bashcorpus/search/?interface_language=ru (дата обращения 30.04.2020). Бодрунова С.С. Кросс-культурный тональный анализ пользовательских текстов в Твиттере. Вестник Московского университета Серия 10. Журналистика. 2018;6:191-212. Воронина И. Е., Гончаров В. А. Анализ эмоциональной окраски сообщений в социальных сетях (на примере сети «вконтакте»). Вестник ВГУ. Серия :Системный анализ и информационные технологии. 2015;4:151-158. Горбушин Д. А., Гринченков Д. В., Мохов В. А., Нгуен Фук Хау Системный анализ подходов к решению задачи идентификации тональности текста. Известия вузов. Северо-кавказский регион. Технические науки. 2016;2:36-41. Гаршина В. В., Калабухов К. С., Степанцов В. А., Смотров С. В. Разработка системы анализа тональности текстовой информации. Вестник ВГУ, Серия: Системный анализ и информационные технологии. 2017;3:185-194. Ермаков А. Е., Киселев С. Л. Лингвистическая модель для компьютерного анализа тональности публикаций СМИ. Компьютерная лингвистика и интеллектуальные технологии:труды Международной конференции Диалог’2005. Москва:Наука, 2005. Доступно по адресу: http://www.dialog21.ru/media/2365/ermakov-kiselev.pdf (дата обращения 30.04.2020). Клековкина М. В., Котельников Е. В. Метод автоматической классификации текстов по тональности, основанный на словаре эмоциональной лексики. Электронные библиотеки:перспективные методы и технологии, электронные коллекции (RCDL-2012):труды 14-й Всероссийской научной конференции (Переславль-Залесский, Россия, 15-18 октября 2012 г.). 2012:81-86. Доступно по адресу: http://ceur-ws.org/Vol-934/paper15.pdf (дата обращения 30.04.2020). Колмогорова А. В., Калинин А. А., Маликова А. В. Лингвистические принципы и методы компьютерной лингвистики для решения задач сентимент-анализа русскоязычных текстов. Актуальные проблемы филологии и педагогической лингвистики. 2018;1(29):139-148. Котельников, Е.В. Комбинированный метод автоматического определения тональности текста. Программные продукты и системы. 2012;3:189-195. Краснов Ф. В. Анализ тональности текста научно-практических статей по нефтегазовой тематике с помощью искусственных нейронных сетей. Вестник Евразийской науки. 2018;3(10). Доступно по адресу: https://esj.today/PDF/43ITVN318.pdf (дата обращения 30.04.2020). Лукашевич Н. В. Автоматический анализ тональности текстов по отношению к заданному объекту и его характеристикам. Russian Digital Libraries Journal. 2015;18b(3-4):88-119. Лукашевич Н. В., Четверкин И. И. Комбинирование тезаурусных и корпусных знаний для извлечения оценочных слов. Системы и средства информатики. 2015;25(1):20–33. Меньшиков И. Л., Кудрявцев А. Г. Обзор систем анализа тональности текста на русском языке. Молодой ученый. 2012;12(47):140-143. Доступно по адресу: https://moluch.ru/archive/47/5951/ (дата обращения 30.04.2020). Минина М. А. Психолингвистический анализ семантики оценки (на материале глаголов движения):автореферат дис. ... кандидата филологических наук:10.02.19. Москва, 1995:22. Официальный сайт компании Ай-Теко. Доступно по адресу: https://www.iteco.ru/solutions/business_intelligence_products/analiz_tonalnosti_teksta/(дата обращения 30.04.2020). Пазельская А. Г., Соловьев А. Н. Метод анализа эмоций в текстах на русском языке. Компьютерная лингвистика и интеллектуальные технологии:материалы ежегодной Международной конференции «Диалог» (Бекасово, 25–29 мая 2011 г.). М.: Изд-во РГГУ. 2011;10 (17):510-552. Посевкин Р.В. Автоматизация сентимент-анализа текста. Междисциплинарный диалог: современные тенденции в гуманитарных, естественных и технических науках:сборник трудов IV Всероссийской научно-практической конференции преподавателей, ученых, специалистов и аспирантов. Издательство: Общество с ограниченной ответственностью "Полиграф-мастер" (Челябинск). 2015:242-244. Романов А. С., Васильева М. И., Куртукова А.В., Мещеряков Р. В. Анализ тональности текста с использованием методов машинного обучения. Доступно по адресу:http://ceur-ws.org/Vol-2233/Paper_8.pdf (дата обращения 30.04.2020). Сарбасова А.Н. Исследование методов сентимент-анализа русскоязычных текстов// Молодой ученый. 2015;8(88):143-146. Доступно по адресу: https://moluch.ru/archive/88/17413/. (дата обращения 30.04.2020) Сиразитдинов З. А., Полянин А.И., Ибрагимова А. Д., Ишмухаметова А.Ш. Корпусы башкирского языка: принципы разработки. Проблемы востоковедения. 2013;4 (62):65-72. Толкунов А. А. Модель оперативной аналитической обработки текстовых комментариев к законопроектам: автореферат дис. ... кандидата технических наук: 05.13.17. Орел:Академия ФСО, 2014:24. Тутубалина Е.В., Иванов В. В., Загулова М., Мингазов Н., Алимова И., Малых В. Тестирование методов анализа тональности текста, основанных на словарях. Электронные библиотеки. 2015;18(3-4):138-162. Усталов Д. В. Извлечение терминов из русскоязычных текстов при помощи графовых моделей. Доступно по адресу:http://koost.eveel.ru/ science/ CSEDays2012.pdf. (дата обращения 30.04.2020). Устный корпус башкирского языка. Доступно по адресу: https://linghub.ru/oral_bashkir_corpus/ (дата обращения 30.04.2020). Чиркин Е. С., Лопатин Д. В. Подходы к нечеткому поиску нежелательного контента на веб-странице. Вестник Тамбовского университета. Серия Естественные и технические науки. Тамбов. 2016;21(6):2358-2365. Abbasi M. M., Beltiukov A. P. Анализ эмоций из текста на русском языке с использованием синтаксических методов. Information Technology and Systems:7th International Science Conference. At Khanty-Mansiysk. Russian Federation. 2019. Доступно по адресу: https://www.researchgate.net/publication/333489703Analiz_em ocijiz_teksta_na_russkom_azyke_s_ispolzovaniem_sintaksiceskih_metodov (дата обращения 30.04.2020). Yan G. et al. A bilingual approach for conducting Chinese and English social media sentiment analysis. Computer Networks. 2014;75(PB):491-503. Kadam S.A., Joglekar S.T. Sentiment Analysis:An Overview. International Journal of Research in Engineering & Advanced Technology. 2013;1(4). Kennedy A., Inkpen D. Sentiment classification of movie reviews using contextual valence shifters. Computational Intelligence. 2006;22:110-125. Liu B. Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies #16. 2012;XIV:165. Moilanen K., Pulman S., Zhang Y. Packed Feelings and Ordered Sentiments:Sentiment Parsing with Quasi-compositional Polarity Sequencing and Compression. Computational Approaches to Subjectivity and Sentiment Analysis (WASSA 2010):proceedings of the 1st Workshop at the 19th European Conference on Artificial Intelligence (ECAI 2010).2010:36-43. Opinion lexicon English Доступно по адресу: https://github.com/jeffreybreen/twittersentiment-analysis-tutorial-201107/tree/master/data/opinion-lexicon-English (дата обращения 30.04.2020). Potapova R., Komalova L. Multimodal perception of aggressive behavior. Lecture Notes in Computer Science. 2016;9811:499-506. Wiebe J.M., Wilson, T., Cardie, C. Annotating expressions of opinions and emotions in language. Language Resources and Evaluation. 2005;39 (2-3):165-210.

The authors declare that there are no conflicts of interest present.