CC BY
0
3. Коростин А.С. Аналитическое сравнение подъемно-транспортных машин в строительстве и их расчет // Известия Тульского государственного университета. Технические науки. 2022. Вып. 10. С. 73-75.
4. Вайнсон А.А. Подъемно-транспортные машины строительной промышленности: Атлас конструкций: Учебное пособие для технических вузов / А.А. Вайнсон. М.: Альянс, 2014. 150 с.
5. Гохберг М.М. Металлические конструкции подъемно-транспортных машин. М.: Машиностроение, 1964. 336 с.
6. Александров М.П. Подъемно-транспортные машины: Учеб. для машиностроит. спец. вузов. М.: Высш. шк., 1985. 520 с.
7. Кукин П.П. Безопасность жизнедеятельности. Безопасность технологических процессов и производств (Охрана труда) / П.П. Кукин, В.Л. Лапин. М.: Высшая школа, 2009. 335 с.
8. Пчелинцев В.А. Охрана труда в строительстве: учебник для вузов. / В.А. Пчелинцев, Д.В. Коптев, Г.Г. Орлов. М.: Альянс, 2016. 272 с.
9. Коптев Д.В. Охрана труда в строительстве: Учебное пособие для вузов. / Д.В. Коптев, В.И. Виноградов Д.В. Булыгин. М.: Альянс, 2016. 510 с.
10. Фролов А.В. Безопасность жизнедеятельности и охрана труда в строительстве: Учебное пособие / А.В. Фролов, В.А. Лепихова, Н.В. Ляшенко. Рн/Д: Феникс, 2010. 704 с.
Коростин Александр Сергеевич, студент, [email protected]. Россия, Тула, Тульский государственный университет
ANALYSIS OF THE USE OF LIFTING AND TRANSPORTING MACHINERY IN THE CONSTRUCTION FIELD
A.S. Korostin
Lifting and transport machines are an indispensable component and equipment in modern construction, which plays an important role in performing various tasks related to lifting and moving loads on construction sites, as well as providing access to hard-to-reach places. This article discusses one of the types of lifting and transport machines, namely a hydraulic lift on an automobile base and its main advantages, and application in construction, and perform a wide range of work on installation, dismantling, reconstruction, etc. This work is entirely devoted to the analysis of aerial platforms, or rather automatic hydraulic lifts on a wheel base. The design features of the equipment are assessed, and this work also provides basic rules and recommendations for safe work with the presented type of handling equipment. In conclusion, conclusions are drawn about the possibilities and necessity of using the type of equipment under consideration.
Key words: equipment analysis, construction equipment, lifting and transport equipment, design features, automatic hydraulic lifts.
Korostin Alexander Sergeevich, student, [email protected], Russia, Tula, Tula State University
УДК 004.891.2
DOI: 10.24412/2071-6168-2023-11-333-334
ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА ЭМОЦИОНАЛЬНОГО ОКРАСА ПОЛЬЗОВАТЕЛЬСКИХ ТЕКСТОВ
П.А. Савенков, А.Н. Ивутин
Целью исследования является обзор современных методов для решения задачи определения эмоционального окраса текстов на естественном языке, набираемых на мобильных устройствах пользователями в процессе естественного взаимодействия с ними. В работе рассматриваются подходы к проведению данного вида анализа их достоинства и недостатки применения.
Ключевые слова: анализ естественного языка, машинное обучение, большие данные, анализ тональности, эмоциональный окрас, мобильный контроль.
Одной из стремительно развивающихся областей в искусственном интеллекте и машинном обучении является обработка естественного языка (NLP - Natural Language Processmg), включающая в себя инструменты анализа тональности. Анализ тональности текста - это процесс его обработки на естественном языке с целью выявления закономерностей и извлечения новых знаний [1]. Основной задачей в анализе тональности является классификация полярности текста. В качестве объектов анализа могут выступать события, процессы или же реальные объекты. Анализ эмоционального окраса текста имеет широкий спектр применения. На его основе становится возможным построение рекомендательных и обучающих систем [2]. Оценка эмоционального окраса текстов, набираемых на мобильных устройствах пользователями при их естественном взаимодействии с устройством, так же не является исключением, однако имеет ряд ограничений, связанных со спецификой вводимых на мобильных устройствах текстов (большое количество шума, низкая информативность данных, отсутствие прямых способов выборки текстов). Дополнительно встречаются противоположные оценки, поэтому целесообразно оценивать отдельные короткие предложения, а не весь текст, выбранный за определенный временной промежуток [3, 4].
Также, при обработке текстов на естественном языке, а именно оценке их эмоционального окраса могут возникнуть следующие сложности:
1. Сарказм - является распространенной проблемой, заключающейся в некорректной интерпретации слов и предложений;
Известия ТулГУ. Технические науки. 2023. Вып. 11
2. Ложно-нейтральные настроения. При анализе длинных предложений возможно возникновение ложно нейтральных результирующих значений. Для избегания данной ситуации следует делить предложения по конкретным темам, что позволит более подробно и корректно выявлять окрас конкретного фрагмента без получения ложно-нейтральных результатов анализа;
3. При смешанных или многомерных настроениях внутри одного предложения возможно появление как позитивного, так и отрицательного окраса;
4. Неоднозначность негативных слов. Данная проблема требует проведения разбора контекста использования данного слова в тексте.
Не смотря на данные сложности, решение задачи анализа эмоционального окраса пользовательских текстов, набираемых на мобильных устройствах пользователями, остается возможным, хоть и требует проведения специфической предобработки текста и использования специальных наборов для обучения соответствующих определенной предметной области и в основном осуществляется на основе методов машинного обучения.
Для решения данной задачи, может применяться как бинарная классификация (выявление на основе текстов положительных и отрицательных оттенков в них). Однако количество классов может быть расширено. Таким образом, оценка может включать в себя не только валентность, но и интенсивность высказывания [5, 6].
В настоящее время используются следующие подходы для выявления эмоциональной окраски текста:
1) Лингвистический. Данный подход основан на использовании словарей с заранее сформированными шаблонами. При данном подходе используются тональные словари, представляющие собой список слов со значением тональности, например, SentiWordNet, RuSentiLex, WordNetAffect, SenticNet, LinisCrowd, RuSentiment, Kaggle Russian News Dataset, RuReviews [7]. При использовании данного подхода в тексте ищутся пересечения со словарем, после чего на основе суммы оценок найденных пересечений определяется тональность заданного текста. Данный подход демонстрирует качественные результаты в некоторых областях. Недостатком данного подхода является высокая сложность подготовки словаря, что требует детального знания предметной области, для которой он составляется. Также недостатком является и низкая масштабируемость, по причине которой невозможно использование одного и того же словаря для разных предметных областей, где одинаковые термины могут вносить разный вес в степень эмоционального окраса.
2) Подход, основанный на использовании методов машинного обучения, заключается в том, что вначале на заранее размеченных данных происходит обучение классификатора, который в дальнейшем используется для классификации новых текстов [8].
3) Гибридный подход, сочетающий в себе правила на основе словарей и машинного обучения. Ряд исследований показывает, что с применение гибридного подхода позволяет добиться повышения качества классификации, однако такой подход является самым трудоемким и затратным по времени.
Подход, основанный на использовании машинного обучения, является наиболее рациональным и наименее трудоемким для решения задачи анализа текста и может быть использован для оценки эмоционального окраса пользовательских текстов, формируемых при естественном взаимодействии пользователя с мобильным устройством.
Данный подход может использовать следующие варианты реализации:
Сверточные нейронные сети (CNN). Изначально сверточные сети использовались в основном для распознавания изображений, однако, как только доказали свою эффективность в области компьютерного зрения, их начали применять и для решения задач классификации текстов. В сверточных нейронных сетях используется операция свертки, когда каждый фрагмент данных умножается на матрицу (ядро) свертки поэлементно, после чего результат суммируется и записывается в аналогичную позицию выходных данных. Поскольку свертки происходят на соседних словах, модель может уловить отрицания или n-граммы, которые несут новую информацию о настроении. Сверточные сети могут демонстрировать высокие результаты при анализе тональности текста, превосходя другие алгоритмы на некоторых тестах [9].
Рекуррентные нейронные сети (RNN) широко распространены в задачах обработки текста, в том числе и для анализа тональности. Особенности рекуррентных нейронных сетей заключается в наличии обратных связей. Значение весов сети зависит как от текущих, так и от предыдущих входных данных, благодаря чему вес каждого слова зависит от веса остальных слов в предложения [10].
Простую рекуррентную нейронную сеть (1) можно представить в следующем виде:
h(t)= f(x(t),h(t-1)), y(t)= g(h(t)) (1)
где x(t) - входной вектор; t - момент времени; h(t)- параметры скрытого нейрона; y(t) - выход.
LSTM (Long ShortTerm Memory - длительная краткосрочная память) и GRU (Gated Recurrent Unit -управляемые рекуррентные нейроны) являются улучшенной реализацией рекуррентных нейронных сетей, решающей проблему исчезающего градиента, которой подвержены любые рекуррентные нейронные сети и показывают наилучшие результаты, однако процедура их обучения достаточно трудоемка [11].
Рекуррентные нейронные сети, использующие подход LSTM, обладают усовершенствованным способом вычисления параметров скрытого слоя h(t). Этот метод, кроме входных данных и прошлого состояния сети, использует фильтры (gates), определяющие использование информации для вычисления выходных значений текущего слоя y(t), и значений скрытого слоя следующего шага h(t+1). Основным элементом LSTM слоя является запоминающий блок, рассчитываемый на каждой итерации, с использованием текущих входных значений x(t) и значений блока на прошлой итерации c(t-1). Результирующее значение LSTM-слоя (2) определяется выходным фильтром и нелинейной трансформацией над параметрами запоминающего блока.
h(t)= o(t) о tanh(c(t)) (2)
В 2014 году представили модель GRU (Gated Recurrent Unit), схожую с LSTM, но использующую меньше фильтров и операций для вычисления h(t).
В ходе исследования получено, что при обработке текстов на естественном языке, а именно оценке их эмоционального окраса могут возникнуть трудности, связанные с возможной двойственной интерпретацией слов, что требует анализа текста относительно используемого контекста.
Установлено, что основными подходами определения эмоционального окраса текста являются лингвистический подход, подход, основанный на методах машинного обучения и гибридный. Рассмотрены варианты реализации решений для анализа эмоционального окраса на основе сверточных и рекуррентных нейронных сетей, их достоинства, недостатки и применимость.
Таким образом в результате проведения исследования получено, что не смотря на рассмотренные особенности, решение задачи анализа эмоционального окраса пользовательских текстов, набираемых на мобильных устройствах пользователями, остается возможным и доступным, однако требует специфической предобработки текстов и выбора метода анализа для конкретной области и определенного подхода в реализации.
Список литературы
1. Chowdhary K.R., Chowdhary K.R. Natural language processing //Fundamentals of artificial intelligence. -2020. - С. 603-649.
2. Панфилов А. В., Дерюшев В. В., Короткий А. А. Рекомендательные системы безопасности для риск-ориентированного подхода //Безопасность труда в промышленности. 2020. Т. 5. С. 48-55.
3. Gamon M., et al. Pulse: Mining Customer Opinions from Free Text // Proceedings of the 6th International Symposium on Intelligent Data Analysis (IDA). 2005. P.121-132.
4. Wiebe J., Bruce R., O'Hara T. Development and use of a gold-standard data set for subjectivity classifications // Proceedings of the 37th annual meeting of the Association for Computational Linguistics on Computational Linguistics. 1999. P. 246-253.
5. Ng R., Pauls A. Multi-document summarization of evaluative text // Proceedings of the 11st Conference of the European Chapter of the Association for Computational Linguistics. 2006. P.305- 312.
6. Carenini G., Ng R. Zwart E. Extracting knowledge from evaluative text // Proceedings of the 3rd international conference on Knowledge capture. 2005. P.11-18.
7. Двойникова А. А., Карпов А. А. Аналитический обзор подходов к распознаванию тональности русскоязычных текстовых данных //Информационно-управляющие системы. 2020. №. 4 (107). С. 20-30.
8. Котельников Е. В., Клековкина М. В. Автоматический анализ тональности текстов на основе методов машинного обучения //Компьютерная лингвистика и интеллектуальные технологии. 2012. Т. 2. №. 11. С. 27.
9. Ахметгалиев А. И., Гафаров Ф. М., Ситдикова Ф. Б. Анализ тональности текстов с использованием нейросетевых моделей //Наука России: Цели и задачи. 2019. С. 33-40.
10. Пескишева Т. А. Методы анализа тональности текстов на естественном языке //Общество. Наука. Инновации (НПК-2017). 2017. С. 1730-1742.
11. Li D., Qian J. Text sentiment analysis based on long short-term memory // 2016 First IEEE International Conference on Computer Communication and the Internet (ICCCI). IEEE, 2016. С. 471-475.
Савенков Павел Анатольевич, старший преподаватель, [email protected], Россия, Тула, Тульский государственный университет,
Ивутин Алексей Николаевич, д-р. техн. наук, профессор, [email protected], Россия, Тула, Тульский государственный университет
RESEARCH OF METHODS FOR ANALYSIS OF THE EMOTIONAL COLOR OF USER TEXTS
P.A. Savenkov, A.N. Ivutin
The purpose of the study is to review modern methods for solving the problem of determining the emotional color of texts in natural language, typed on mobile devices by users in the process of natural interaction with them. The paper discusses approaches to conducting this type of analysis, their advantages and disadvantages of application.
Key words: natural language analysis, machine learning, big data, sentiment analysis, emotional coloring, mobile control.
Savenkov Pavel Anatolyevich, senior lecturer, [email protected], Russia, Tula, Tula State University,
Ivutin Alexey Nikolaevich, doctor of technical sciences, professor, alexey. [email protected], Russia, Tula, Tula State University
