ДОСЛІДЖЕННЯ ВИКОРИСТАННЯ ТЕХНІК МОДЕЛЮВАННЯ ДЛЯ АНАЛІЗУ ВІДГУКІВ КЛІЄНТІВ

Автор(и)

  • Олександр Лаптєв Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0002-4194-402X
  • Анна Юзва Волинський національний університет імені Лесі Українки

Ключові слова:

відгуки клієнтів, обробка природної мови , латентне семантичне індексування, прихований розподіл Діріхле, машинне навчання, невід’ємна матриця факторизації, метод тематичного моделювання

Анотація

Експоненціальне зростання платформ і додатків соціальних мереж в Інтернеті призвело до приголомшливого обсягу створеного користувачами текстового контенту, включаючи коментарі та огляди. Відповідно, користувачі часто стикаються з труднощами в отриманні цінних висновків або відповідної інформації з такого вмісту. Щоб вирішити цю проблему, було застосовано алгоритми машинного навчання та обробки природної мови для аналізу величезної кількості текстових даних, доступних в Інтернеті. В останні роки техніки тематичного моделювання набули значної популярності в цій галузі. У цьому дослідженні ми всебічно досліджуємо та порівнюємо п’ять часто використовуваних методів тематичного моделювання, які спеціально застосовуються до відгуків клієнтів. Досліджувані методи: латентний семантичний аналіз (LSA), латентний розподіл Діріхле (LDA), факторізація невід’ємної матриці (NMF), модель розподілу пачинко (PAM), Top2Vec і BERTopic. Практично демонструючи їх переваги у виявленні важливих тем, ми прагнемо підкреслити їхню ефективність у сценаріях реального світу. Щоб оцінити ефективність цих методів тематичного моделювання, ми ретельно відбираємо два текстові набори даних. Оцінка ґрунтується на стандартних статистичних показниках оцінювання, таких як бал узгодженості теми. Наші висновки показують, що BERTopic постійно дає більш значущі виділені теми та досягає сприятливих результатів.

Посилання (Бібліографія)

R. Albalawi, T. H. Yeap, and M. Benyoucef, “Using Topic Modeling Methods for Short-Text Data: A Comparative Analysis,” Frontiers in Artificial Intelligence, vol. 3, Jul. 2020, doi: https://doi.org/10.3389/frai.2020.00042.

R. Egger and J. Yu, “A Topic Modeling Comparison Between LDA, NMF, Top2Vec, and BERTopic to Demystify Twitter Posts,” Frontiers in Sociology, vol. 7, May 2022, doi: https://doi.org/10.3389/fsoc.2022.886498.

G. Papadia, M. Pacella, M. Perrone, and V. Giliberti, “A Comparison of Different Topic Modeling Methods through a Real Case Study of Italian Customer Care,” Algorithms, vol. 16, no.2, pp.94, 2023.

A. Abdelrazek, Y. Eid, E. Gawish, W. Medhat and A. Hassan, “Topic modeling algorithms and applications: A survey,” Information Systems, p.102131, 2022.

R.J. Gallagher, K. Reing, D. Kale and G. Ver Steeg, “Anchored correlation explanation: Topic modeling with minimal domain knowledge,” Transactions of the Association for Computational Linguistics, 5, pp.529-542, 2017.

D.M. Blei, A.Y. Ng and M.I. Jordan, “Latent dirichlet allocation, Journal of machine Learning research,” 3(Jan):993-1022, 2003.

W. Li and A. McCallum, “Pachinko allocation: Scalable mixture models of topic correlation,” J. of Machine Learning Research, Submitted, 2008. [12] A. Afaq, G. Loveleen and S. Gurmeet, “A Latent Dirichlet Allocation Technique for Opinion Mining of Online Reviews of Global Chain Hotels”, In 2022 3rd International Conference on Intelligent Engineering and Management (ICIEM), pp. 201-206, IEEE, 2022.

D. Angelov, “Top2vec: Distributed representations of topics,” arXiv preprint arXiv:2008.09470, 2020.

M. Grootendorst, “BERTopic: Neural topic modeling with a class-based TF-IDF procedure,” arXiv preprint arXiv:2203.05794, 2022.

G. Bonifazi, E. Corradini, D. Ursino and L. Virgili, “Defining user spectra to classify Ethereum users based on their behavior.” Journal of Big Data, 9(1), pp.1-39, 2022.

Лукова-Чуйко Н.В., Лаптєв О.А., Барабаш О.В., Мусієнко А.П., Ахрамович В.М. Метод розрахунку захисту персональних даних з урахуванням комплексу специфічних параметрів соціальних мереж. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка. Київ: ВІКНУ, 2022. № 76. С. 54 – 68. https://doi.org/10.17721/2519-481X/2022/76-05.

Беркман Л.Н., Барабаш О.В., Ткаченко О.М., Мусієнко А.П., Лаптєв О.А., Свинчук О.В. Інтелектуальна система управління для інфокомунікаційних мереж. Системи управління навігації і зв'язку. Том 3. №69. 2022. С 54–59. https://doi.org/10.26906/SUNZ.2022.3.

Лаптєв О.А., Бучик С.С., Савченко В.А., Наконечний В.С. , Михальчук І.І, Шестак Я.В., Виявлення та блокування повільних ddos-атак за допомогою прогнозування поведінки користувача. Наукоємні технології. Інформаційні технології, кібербезпека. Том 55 № 3 (2022) стр.184-192. DOI: https://doi.org/10.18372/2310-5461.55.16908.

Serhii Yevseiev, Khazail Rzayev, Oleksandr Laptiev, Ruslan Hasanov, Oleksandr Milov, Bahar Asgarova, Jale Camalova, Serhii Pohasii. Development of a hardware cryptosystem based on a random number generator with two types of entropy sources. Eastern-European journal of enterprise technologies. Vol.5№9 (119), 2022 рр. 6–16. ISSN (print) 1729 - 3774. ISSN (on-line) 1729-4061. DOI: https://doi.org/10.15587/1729-4061.2022.265774.

Олександр Лаптєв, Віталій Савченко, Віталій Пономаренко, Сергій Копитко, Іван Пархоменко. Удосконалення методу підвищення завадостійкості систем виявлення сигналів засобів негласного здобуття інформації. Захист інформації. Том 24 № 3 (2022): Захист інформації. C.128-136. https://jrnl.nau.edu.ua/index.php/ZI/issue/view/906.

Лаптєв, О. і Гришанович, Т. Комплексна методика оцінювання ефективності функціонування системи дистанційного навчання. Прикладні проблеми комп’ютерних наук, безпеки та математики. Волинський національний університет імені Лесі Українки, Луцьк. №1 (2023). 2023.C.63–75.

Laptiev, O.,Sobchuk, V.,Subach, I.,Barabash, A.,Salanda, I. The Method of Detecting Radio Signals Using the Approximation of Spectral Function. CEUR Workshop Proceedings, 2022, 3384, pp. 52–61.

Valentyn Sobchuk , Iryna Zelenska and Oleksandr Laptiev. Algorithm for solution of systems of singularly perturbed differential equations with a differential turning point. Bulletin of the Polish Academy of Sciences Technical Sciences, Vol.71, No 3, 2023, Article number: e145682. DOI: https://doi.org/10.24425/bpasts.2023.145682.

Barabash, O., Sobchuk, V., Musienko, A., Laptiev, O., Bohomia, V., Kopytko, S. (2023). System Analysis and Method of Ensuring Functional Sustainability of the Information System of a Critical Infrastructure Object. In: Zgurovsky, M., Pankratova, N. (eds) System Analysis and Artificial Intelligence . Studies in Computational Intelligence, vol 1107. Р. 177-192, Springer, Cham. https://doi.org/10.1007/978-3-031-37450-0_11.

Savchenko V., Sobchuk A., Korzh A., Laptiev O., Barabash A. Assessment of the efficiency of protection of the information system of enterprises. Telecommunications and Іnformation Technologies. 2023. No. 2 (79). P. 63-75. DOI: https://doi.org/10.31673/2412-4338.2022.026375.

Ю. В. Щербина, Н. Ф. Казакова, О. О. Фразе-Фразенко, О. А. Лаптєв, А. В. Собчук.Вибір джерела випадковості для комп’ютерного моделювання. Наукоємні технології. Інформаційні технології, кібербезпека. Том 59 № 3 (2023) стр.233-238. DOI: https://doi.org/10.18372/2310-5461.59.17944.

##submission.downloads##

Опубліковано

08.03.2024

Як цитувати

[1]
Лаптєв, О. і Юзва, А. 2024. ДОСЛІДЖЕННЯ ВИКОРИСТАННЯ ТЕХНІК МОДЕЛЮВАННЯ ДЛЯ АНАЛІЗУ ВІДГУКІВ КЛІЄНТІВ. Прикладні проблеми комп’ютерних наук, безпеки та математики. 2 (Бер 2024), 4–17.