Mezijazyčná aspektově orientovaná analýza sentimentu

Šmíd, Jakub

Mezijazyčná aspektově orientovaná analýza sentimentu

dc.contributor.advisor	Přibáň Pavel, Ing.
dc.contributor.author	Šmíd, Jakub
dc.contributor.referee	Pražák Ondřej, Ing.
dc.date.accepted	2023-6-19
dc.date.accessioned	2023-08-02T10:47:24Z
dc.date.available	2022-9-9
dc.date.available	2023-08-02T10:47:24Z
dc.date.issued	2023
dc.date.submitted	2023-5-16
dc.description.abstract	Tato práce se zaměřuje na mezijazyčnou aspektově orientovanou analýzu sentimentu (ABSA), která je na rozdíl od jednojazyčné ABSA málo probádanou oblastí. V této práci jsou navrženy dvě metody, které lze použít jak s tradičním trénováním (fine-tuning), tak s použitím techniky zvané "prompting". První metodou je sequence-to-sequence metoda pro řešení více úloh ABSA současně a překonává předchozí state-of-the-art výsledky na referenčních datasetech. Prompting výrazně zlepšuje úspěšnost modelu T5 a jeho vícejazyčné verze, což vedlo k nejlepším celkovým výsledkům mezi testovanými modely. Slibné jsou také nejlepší mezijazyčné výsledky. Druhá metoda klasifikuje polarity sentimentu aspektových výrazů a kategorií, přičemž stanovuje nové nejlepší výsledky ve více jazycích a dosahuje vynikajících mezijazyčných výsledků, často v rozmezí 2 % od jednojazyčných výsledků. Kromě toho tato práce představuje nově anotovaný český dataset pro ABSA.	cs
dc.description.abstract-translated	This thesis focuses on cross-lingual aspect-based sentiment analysis (ABSA), an understudied area in contrast to monolingual ABSA. This thesis proposes two methods that can be used with prompting and traditional-based fine-tuning. The first method is a sequence-to-sequence method that solves multiple ABSA tasks simultaneously and outperforms previous state-of-the-art results on benchmark datasets in multiple languages. Prompting improves the performance of the T5 model and its multilingual version significantly, which resulted in the best overall results among the tested models. The best cross-lingual results are also promising. The second method classifies the sentiment polarity of aspect terms and categories, establishing new state-of-the-art results in multiple languages and achieving excellent cross-lingual results, often within 2% of monolingual results. In addition, this thesis presents a newly annotated Czech dataset for ABSA.	en
dc.description.result	Obhájeno
dc.format	91 s.
dc.identifier	93490
dc.identifier.uri	http://hdl.handle.net/11025/53739
dc.language.iso	cs
dc.publisher	Západočeská univerzita v Plzni
dc.rights	Plný text práce je přístupný bez omezení
dc.subject	zpracování přirozeného jazyka	cs
dc.subject	aspektová analýza sentimentu	cs
dc.subject	strojové učení	cs
dc.subject	mezijazyčná aspektová analýza sentimentu	cs
dc.subject	neuronové sítě	cs
dc.subject	prompting	cs
dc.subject	transformers	cs
dc.subject	sequence-to-sequence modely	cs
dc.subject.translated	natural language processing	en
dc.subject.translated	aspect-based sentiment analysis	en
dc.subject.translated	machine learning	en
dc.subject.translated	cross-lingual aspect-based sentiment analysis	en
dc.subject.translated	neural networks	en
dc.subject.translated	prompting	en
dc.subject.translated	transformers	en
dc.subject.translated	sequence-to-sequence models	en
dc.thesis.degree-grantor	Západočeská univerzita v Plzni. Fakulta aplikovaných věd
dc.thesis.degree-level	Navazující
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Inženýrská informatika
dc.title	Mezijazyčná aspektově orientovaná analýza sentimentu	cs
dc.title.alternative	Cross-lingual Aspect-Based Sentiment Analysis	en
dc.type	diplomová práce