| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Noskaņojuma analīzes pieeju salīdzinājums hindi valodai |
| Nosaukums angļu valodā |
Comparison of Sentiment Analysis Approaches for Hindi Language |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Ilze Birzniece |
| Recenzents |
Maija Strautmane |
| Anotācija |
Izpratne par sajūtām un viedokļiem tekstā ir svarīga sabiedriskās domas, klientu
atsauksmju un tiešsaistes diskusiju analīzei. Sentimentu analīze palīdz uzņēmumiem,
pētniekiem un citiem cilvēkiem izprast lietotāju kopējo reakciju. Šī reakcija parasti ir
pozitīva, negatīva vai neitrāla. Izprast un analizēt sajūtas aiz komentāra/viedokļa ir
grūti, jo tie var saturēt sarkasmu, negatīvu saturu/atzīmes un kļūdas rakstībā vai
gramatikā. Gadu gaitā ir izstrādātas sentimentu analīzes tehnikas, lai pārvarētu šos
izaicinājumus.
Gadu gaitā sentimentu analīze angļu valodā ir sasniegusi ievērojamu progresu,
taču citās valodās tā joprojām ir izaicinājums. Šī tēze koncentrējas uz hindi valodu.
Hindi, būdama viena no visvairāk runātajām valodām, ir ar sarežģītu teikumu struktūru,
dažādām gramatiskām formām un virkni dialektu, kas apgrūtina analīzi ar pašreiz
izmantotajām tehnikām. Atšķirībā no angļu valodas, kur ir daudz labi izlabotu datu
kopu un iepriekš apmācītu modeļu sentimentu analīzei, hindi valodai tādu ir maz.
Šīs tēzes mērķis ir salīdzināt un analizēt dažādas sentimentu analīzes tehnikas
hindi valodai. Autors salīdzinās un novērtēs šīs metodes, balstoties uz klasifikācijas
precizitāti, atsaukšanos un F-rādītāju. Tēzes secinājumi sniegs salīdzinošu analīzi par
dažādām sentimentu analīzes metodēm un to sastapto izaicinājumu aprakstu.
Šajā tēzē ir 4 nodaļas, 18 tabulas, 8 attēli un 51 atsauce. |
| Atslēgas vārdi |
Mašīnmācīšanās, Sentimentu analīze, Sentimentu analīzes pieejas, Lieli valodas modeļi, Dziļās mācīšanās modelis, Transformera modeļi, Sentimentu klasifikācija, Metožu salīdzinājums |
| Atslēgas vārdi angļu valodā |
Machine learning, Sentiment analysis, Sentiment Analysis Approaches, Large Language Models, Deep Learning Model, Transformer Models, Sentiment Classification, Comparison of methods |
| Valoda |
eng |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
26.05.2025 15:38:15 |
