Анализ тональности отзывов и обратной связи клиентов об услугах авиакомпаний с использованием модели языкового представления

Конкурентный сектор авиаперевозок стремительно развивался в течение последних двух десятилетий. Надлежащий сбор данных является важным источником получения отзывов потребителей и проведения различных видов их анализа. Эти данные могут использоваться для анализа тональности, который заключается в извлечении эмоциональной окраски текста с целью выявления установок и эмоций, связанных с представленным текстом или данными. Это классификационный подход, в котором методы машинного обучения применяются для выявления положительных и отрицательных слов или отзывов в текстовых базах данных. Для дополнительного объяснения причин негативных комментариев используются облако слов и столбчатая диаграмма. В данной статье анализ тональности применяется к набору данных отзывов об авиакомпаниях. Для оценки эффективности анализа тональности используются несколько алгоритмов машинного обучения (ML), включая наивный байесовский классификатор, метод опорных векторов и дерево решений (DT); каждый из этих подходов демонстрирует различные результаты. В исследовании эффективность алгоритма Google Bidirectional Encoder Representations from Transformers (BERT) сравнивается с эффективностью других алгоритмов машинного обучения. Кроме того, в статье рассматривается архитектура BERT, предварительно обученная на двух задачах обработки естественного языка (NLP): моделировании языка с маскированием и предсказании предложений. Случайный лес используется в качестве базовой модели для сравнения с моделью BERT, поскольку среди моделей машинного обучения он демонстрирует наилучшую эффективность. По таким показателям эффективности, как accuracy, precision, recall и F1-score, BERT превосходит другие методы машинного обучения.