MULTI-ASPECT ANALYSIS OF EMOTIONAL CONTEXT FOR TEXT DOCUMENT CATEGORIZATION

A. I. Paramonov, K. A. Pavluchenko

About the authors

A. I. Paramonov, K. A. Pavluchenko

Парамонов Антон Иванович – к.т.н. доцент, заведующий кафедрой информационных систем и технологий, учреждение образования «Белорусский государственный универ- ситет информатики и радиоэлектроники», г. Минск, Республика Беларусь. Область научных интересов: Интеллектуальные системы. Компьютерная лингвистика и АОТ. Когнитивная психология. адрес: 220005, г. Минск, ул. Козлова, 28.

Павлюченко Кирилл Алексеевич – магистр, ассистент кафедры информационных систем и технологий, учреждение образования «Белорусский государственный университет информатики и радиоэлектроники», г. Минск, Республика Беларусь. Область научных интересов: Эмоциональный интеллект. Машинное обучение. адрес: 220005, г. Минск, ул. Козлова, 28

Download PDF

UDC: 004.891.3:004.4
DOI: 10.24412/2413-7383-2025-4-39-4-14
Language: Russian

Abstract: Рассматривается проблема интеллектуального анализа текстов с целью выявления их эмоционального контекста. Представлены итоги обзора современных подходов к задаче выявления эмоций в текстах, обозначены ключевые ограничения и проблемы при обработке сложных лингвистических конструкций. Выдвигается гипотеза: для повышения качества категоризации цифровых текстов по эмоциональному фону необходимо учитывать семантические и прагматические особенности их представления (саркастические высказывания, эмодзи, контекстуальные зависимости и другие лингвистические маркеры). Предложен метод многоаспектного анализа текста для категоризации документов на основе выявления их эмоционального контекста. Представлена многомодульная архитектура метода, основным компонентом которой является классификатор, построенный на

Keywords: Natural Language Processing, Sentiment Analysis, Emotional Context, Document Categorization, Transformer-based Models, RoBERTa.

References

1. Gelbukh A. (ed.). Computational Linguistics and Intelligent Text Processing. Proceedings of the 14th International Conference, CICLing 2013, Samos, Greece, March 24 –30, 2013, Part I. Ber lin Heidelberg: Springer -Verlag, 2013.
2. Двойникова, А. А. Аналитический обзор подходов к распознаванию тональности в русскоязычных текстовых данных / А. А. Двойникова, А. А. Карпов // Системы управления и информационные технологии. –2020. № 4. С. 20–30.
3. Сальников, И. С. Проблемы и вопросы эмоциональной экспрессии и паттерниализации эмоций в исследованиях Кэрролла Изарда и его предшественников, современников и последователей / И. С. Сальников, Р. И. Сальников // Проблемы искусственного интеллекта. 2024. № 4. С. 193–209. Multi-Aspect Analysis of Emotional Context for Text Document Categorization Р
4. Rodriguez M. Thompson K. Lee S. Sarcasm Detection in Social Media: Challenges and Opportunities // Journal of Natural Language Processing. 2022. Vol. 15, No. 3. P. 45–62.
5. Gardazi N. M. et al. BERT applications in NLP: A review // Ar tificial Intelligence Review. 2025.
6. Trukhanovich I. Paramonov A. Multispecies Ensemble Architecture for Texts Authorship Classification // Proceedings of the 7th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). IEEE, 2023. P. 142–148.
7. Anderson R. Wilson P. Garcia C. Contextual Analysis in Natural Language Processing: Recent Advances and Applications // ACM Computing Surveys. 2022. Vol. 55, No. 8. P. 1–34.
8. Rogers A. Romanov A. Rumshisky A. Volkova S. Gronas M. Gribov A. RuSentiment: An Enriched Sentiment Analysis Dataset for Social Media in Russian // COLING / ed. by E. M. Bender, L. Derczynski, P. Isabelle. Association for Computational Linguistics, 2018. P. 755 –763.
9. Liu Y. Ott M. Goyal N. RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692, 2019.
10. Kim Y. Park J. Choi D. Transformer -Based Models for Multilingual Emotion Analysis // Computational Linguistics. 2023. Vol. 49, No. 2. P. 287 –305.
11. Loshchilov I. Hutter F. Decoupled Weight Decay Regularization. arXiv preprint arXiv:1711.05101, 2019.
12. Chen J. Wang L. Zhang H. Deep Learning Approaches for Emotion Recognition in Text: A Comprehensive Survey // Computer Speech & Language. 2023. Vol. 78. P. 101–118.

Issue: 4(39)'2025
Section: ARTIFICIAL INTELLIGENCE AND MACHINE LEARNING
How to cite: A. I. Paramonov, K. A. Pavluchenko. MULTI-ASPECT ANALYSIS OF EMOTIONAL CONTEXT FOR TEXT DOCUMENT CATEGORIZATION // Problems of Artificial Intelligence. - 2025. - № 4 (39). - P. 4-14. - https://paijournal.guiaidn.ru/en/2025/4(39)-1.html

Back to issue 4(39)'2025