17 Черников К. М. Суров И. А. векторные языковые модели сентимент-анализ тональность семантика пространство генерация текстов 2026 2026-03-27 10.37661/1816-0301-2026-23-1-88-104 Информатика Цели. Тональность как положительно-отрицательное настроение – ключевой параметр алгоритмов анализа и генерации текстов. Существующие методы машинного обучения кодируют ее вычислительно трудоемким и неинтерпретируемым образом, что затрудняет развитие этого направления. Целью работы является решение данных проблем для русского языка.Методы. Используются предобученные векторные языковые модели, кодирующие слова векторами в многомерных пространствах. В таких пространствах тональность соответствует направлению, наилучшим образом разделяющему положительный и отрицательный прототипы. Тональность слова определяется его проекцией на это направление. Добавление тонального вектора к ключевому слову задает одномерное пространство, позволяющее находить в языковой модели его положительные и отрицательные ассоциации.Результаты. Алгоритм апробирован на машинных моделях семейств GloVe и FastText, кодирующих отдельные слова и морфемы русского языка векторами в 300-мерном пространстве. В качестве ключевых слов использовались частоупотребимые глаголы и существительные. Средняя достоверность найденных тональных ассоциаций составила 80 %.Заключение. Результаты свидетельствуют о применимости предобученных векторных языковых моделей для быстрой и интерпретируемой работы с тональной информацией. Разработанный подход востребован в задачах объектно-ориентированного сентимент-анализа, а также в задачах машинной генерации объектно-ориентированных текстов нужной тональности. Обобщение тональной оси до тройки семантических факторов Осгуда позволяет расширить представленный метод для работы с полным спектром эмоционально-смысловой информации. https://www.academjournals.by/publication/20769 https://www.academjournals.by/files/20624