Автоматическое извлечение тональных фреймов

Анализ тональности текста - востребованная и быстро развивающаяся отрасль анализа текста, которая широко используется в различных областях НЛП. К сожалению, во многих исследованиях в этой области присутствуют значительные проблемы. Большинство из этих исследований узко специализированы, и полученные результаты не применимы к другим задачам. В связи с тем, что большая часть предыдущих работ основана на тематических наборах данных, это исследование должно по другому посмотреть на эту проблему, отлично от стандартного подхода. Несмотря на растущую популярность и удобство в использовании таких моделей, как BERT и Open AI GPT-2, и их выдающихся текстовых предсказаний, анализ тональностей атематичных текстов все еще остается довольно сложной задачей даже для них. Основная идея этой работы заключается в расширении существующего словаря тональных фреймов, используя модели классификации. В этом исследовании мы будем улучшать метод анаилза настроения текста, опираясь на работу Карнауховой и Лукачевич. Тональный фрейм - это опосредованная глаголом модель связей предикатов, основанная на идее, что предикат может влиять на полярность субъекта и объекта предложения (например, «X выигрывал Y» подразумевает, что X положительный, а Y отрицательный). Так, согласно Денгу и Вибе, глагол может менять полярность слов, которые с ним связаны. Таким образом, получается, что фрейм выступает как набор энциклопедических, языковых и когнитивных знаний. Используя корпус коротких текстов на основе Твиттера, мы хотим решить проблему тематических и объективных наборов данных. На основе этих данных мы хотим извлечь информацию о глаголах и преобразовать их в признаки для моделей классификации. Данные из коротких текстов будут извлечены двумя разными способами. Первый - токенизатор от NLTK в сочетании с pymorphy2. Второй - более точная и высокоразвитая модель на основе BERT - deeppavlov. Использование первого метода в нашей задаче может дать нам начальный взгляд на проблему и возможные результаты, после чего появится возможность более глубокого и контекстуального исследования. Мы считаем, что этот подход может дать нам информацию, которая может быть полезна для решения проблемы оценки тональности текста. В будущем использование тональных фреймов в сочетании с современными решениями для классификации и эмбеддинга может поомчь по-новому взглянуть на эту проблему.