MATNLARNI TAHLIL QILISH ORQALI HISSIYOT VA EMOTSIONAL RANGLANISHINI ANIQLASH ALGORITMINI TADBIQ QILISH VA ISHLAB CHIQISH
Keywords:
Kalit so‘zlar. Hissiylik tahlili, mashinaviy o‘qitish, YouTube sharhlari, Flask, scikit-learn, YouTube Data API, GitHub, matn tahlili, emotsional tasniflash, veb-ilova.Abstract
Annotatsiya. Ushbu maqola matnli ma’lumotlarni tahlil qilish orqali hissiylik
va emotsional ranglanishni aniqlash uchun mashinaviy o‘qitish algoritmlariga
asoslangan interaktiv veb-ilova ishlab chiqishni taqdim etadi. Ilova YouTube
platformasidagi foydalanuvchi sharhlarini tahlil qilish uchun Flask freymvorkidan
foydalanadi va YouTube Data API orqali sharhlarni real vaqt rejimida yuklaydi. O‘quv
ma’lumotlari GitHub repositoriyidan olinadi va scikit-learn kutubxonasi yordamida
SVM, Random Forest, Logistic Regression, Gradient Boosting va Naive Bayes
algoritmlari qo‘llaniladi. Sharhlar ijobiy, salbiy yoki neytral deb tasniflanadi, natijalar
esa foydalanuvchilar uchun vizual jadval shaklida taqdim etiladi. Algoritmlarning
samaradorligi aniqlik, aniqlik darajasi, to‘liqlik va F1 ko‘rsatkichlari asosida
baholanadi. Ushbu yondashuv ijtimoiy media ma’lumotlarini avtomatlashtirilgan tahlil
qilishda yuqori samaradorlikni namoyish etadi.
References
Foydalanilgan adabiyotlar
1. Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and
Trends in Information Retrieval, 2(1-2), 1-135.
2. Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human
Language Technologies, 5(1), 1-167.
3. Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer.
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
5. Kim, Y., et al. (2019). Real-time Social Media Analytics Using APIs. Journal of Big Data,
6(1), 1-20.
6. Perkel, J. M. (2016). Democratic Databases: Science on GitHub. Nature, 538(7623), 127-
128.
7. Grinberg, M. (2018). Flask Web Development: Developing Web Applications with
Python. O’Reilly Media.
