Zastosowanie sieci neuronowych do analizy opinii konsumenckich

• Autorzy: Mysan Roman , Loichuk Ivan , Plechawska-Wójcik Małgorzata

Identyfikatory

DOI

10.35784/jcsi.1325

Warianty tytułu

EN

Application of neural networks to the analysis of consumer opinions

• Języki publikacji: PL

Abstrakty

PL

Niniejszy artykuł przedstawia analizę możliwości zastosowania sieci neuronowych do klasyfikacji danych tekstowych w postaci komentarzy. Ponadto przedstawiono wyniki badania dwóch metod optymalizacji sieci neuronowej: Adam i Gradientu. Celem pracy jest przeprowadzenie badań zachowania się sieci neuronowej w zależności od zmiany parametrów oraz ilości danych użytych do nauczania sieci neuronowej. Na potrzeby realizacji tego celu utworzona została aplikacja testowa korzystająca z sieci neuronowej w celu wyświetlenia ogólnej oceny obiektu noclegowego na podstawie dodanych opinii użytkowników.

EN

This paper presents an analysis of the possibilities of using neural networks to classify text data in the form of comments. Moreover, results of research of two neural network optimization methods: Adam and Gradient are presented. The aim of the work is to conduct research on the behavior of the neural network depending on the change of parameters and the amount of data used to teach the neural network. To achieve the goal, a test application was created. It uses a neural network to display the overall assessment of the accommodation facility based on the added user feedback.

Słowa kluczowe

PL

sieć neuronowa; TensorFlow; sztuczna inteligencja

EN

neural network; TensorFlow; artificial intelligence

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Journal of Computer Sciences Institute
• Rocznik: 2019
• Tom: Vol. 13
• Strony: 310--314
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Mysan Roman

• Politechnika Lubelska, Instytut Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Loichuk Ivan

• Politechnika Lubelska, Instytut Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

autor

Plechawska-Wójcik Małgorzata

• Politechnika Lubelska, Instytut Informatyki, Nadbystrzycka 36B, 20-618 Lublin, Polska

Bibliografia

• [1] M. Fábio, M. F. Alan, Neural network programming with Java, Packt Publishing, 2016
• [2] P. D. Kingma, J. Lei Ba: Adam: a method for stochastic optimization, Published as a conference paper at ICLR 2015
• [3] B. Yoshua, Practical Recommendations for Gradient-Based Training of Deep Architectures, Version 2, Sept. 16th, 2012
• [4] K. Aurangzeb, B. Baharum, L. Lam Hong*, K. Khairullah, A Review of Machine Learning Algorithms for Text-Documents Classification, Journal of advances in information technology, vol. 1, no. 1, february 2010
• [5] Y. Hongsuk, J. HeeJin, B. Sanghoon, Deep Neural Networks for traffic flow prediction, Published in: 2017 IEEE International Conference on Big Data and Smart Computing (BigComp)
• [6] S. Ruder, An overview of gradient descent optimization algorithms∗, Insight Centre for Data Analytics, NUI Galway Aylien Ltd., Dublin, 15 Jun 2017
• [7] M. Kaut, S. W. Wallace, Evaluation of scenario-generation methods for stochastic programming, March 2007
• [8] https://www.wired.com/2016/06/how-google-is-remaking-itself-as-a-machine-learning-first-company/ [22.06.2019]
• [9] P. Lula, Text-mining jaką narzędzie pozyskiwania informacji z dokumentów tekstowych, Akademia Ekonomiczna w Krakowie, Katefra Informatyki, 2005
• [10] A. Joulin, E. Grave, P. Bojanowski, T. Mikolov, Bag of Tricks for Efficient Text Classification, 6 Jul 2016
• [11] Z. Min-Ling, Z. Zhi-Hua, Multilabel Neural Networks with Applications to Functional Genomics and Text Categorization, 28 August 2006
• [12] S. Fabrizio, Machine learning in automated text categorization, March 2002

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).