Концептуальна модель NLP-системи та NLP-застосунок сентимент-аналізу відгуків користувачів послуг операторів мобільного зв'язку в Україні
Анотація
Завдання та задачі з оброблення природної мови спрямовані на вирішення широкого класу наукових та прикладних завдань. З'ясовано, що систематизація таких завдань окреслює конкретні напрями проведення пошукових етапів дослідження, теоретичних та прикладних розробок в області NLP (англ. Natural Language Processing), насамперед таких, що найбільше обговорюють і дискутують в інженерній спільноті та R&D (англ. Research and Development) компанії. Зокрема – сегментація тексту і його морфологічний аналіз, синтаксичний і семантичний аналіз, машинний переклад і генерування тексту, сентимент-аналіз (або аналіз тональності тексту) і вибірковий пошук та аналіз інформації, а також багато інших прикладних застосувань. Встановлено, що актуальною є проблема дослідження та розроблення певних аксіоматичних інструментів подання NLP-систем на основі системного підходу та системної інженерії. Результат такого подання – науково обґрунтована концептуальна модель NLP-системи. Для розроблення концептуальної моделі NLP-системи було застосовано метод системної інженерії інформаційно-комунікаційних систем на основі бізнес-профілю Еріксона-Пенкера. Цей метод дає змогу формалізувати NLP-систему у вигляді множини конкретних іменованих класів сутностей, визначити проблеми, задачі і завдання NLP-системи, мету, ресурси, процеси і бізнес-правила, на основі яких така NLP-система функціонує. Така концептуальна модель NLP-системи упорядковує і систематизує потрібну і достатню множину класів сутностей і відношення між ними. Концептуальна модель NLP-системи дає змогу розробити структурне та динамічне подання моделі конкретної NLP-системи, показати внутрішню структуру її компонентів та інтерфейсів взаємодії між ними для вирішення конкретного класу завдань. Показано приклад застосування концептуального моделювання для розроблення концептуальної моделі NLP-системи та застосунку сентимент-аналізу (англ. Sentiment Analysis) відгуків користувачів послуг операторів мобільного зв'язку в Україні, проведено верифікацію та валідацію роботи застосунку. Перспективи подальших досліджень спрямовані на вдосконалення концептуальної моделі NLP-систем та розроблення методик системної інженерії NLP-систем для вирішення конретних класів завдань оброблення та аналізу природної мови.
Завантаження
Посилання
Amazon Web Services, Inc. (n.d.). Amazon Simple Storage Service Documentation. Amazon. Retrieved May 11, 2026. URL: https://docs.aws.amazon.com/s3/
Anand, A. (2020, September 2). Cross lingual models (XLM-R). Medium. URL: https://medium.com/@aman.anand54321/cross-lingual-models-xlm-r-7d557302698b
Borthakur, D. (2026). HDFS Architecture Guide. Apache Hadoop. URL: https://hadoop.apache.org/docs/r1.2.1/hdfs_design.html
Brand24. (n.d.). Brand24 – #1AI social listening tool. Brand24. URL: https://brand24.com/
Budel, G., Jin, Y., Van Mieghem, P., & Kitsak, M. (2023). Topological properties and organizing principles of semantic networks. Scientific Reports, 13, article ID 11728. https://doi.org/10.1038/s41598-023-37294-8
Cer, D., Yang, Y., Kong, S.-y., Hua, N., Limtiaco, N., St. John, R., Constant, N., Guajardo-Cespedes, M., Yuan, S., Tar, C., Sung, Y.-H., Strope, B., & Kurzweil, R. (2018). Universal Sentence Encoder. arXiv preprint arXiv:1803.11175. URL: https://arxiv.org/abs/1803.11175
Chaudhuri, K. D. (2022, March). Building Naive Bayes Classifier from Scratch to Perform Sentiment Analysis. Analytics Vidhya. URL: https://www.analyticsvidhya.com/blog/2022/03/building-naive-bayes-classifier-from-scratch-to-perform-sentiment-analysis/
Conneau, A., Khandelwal, Kartikay., & Goyal, Naman., et al. (2020). Unsupervised Cross-lingual Representation Learning at Scale. arXiv.org. https://doi.org/10.48550/arXiv.1911.02116
Curtis, J. (2025). What is a Data Lake? – Introduction to Data Lakes and Analytics – AWS. Amazon Web Services, Inc. URL: https://aws.amazon.com/what-is/data-lake/
Edmonds, Ph., & Agirre, E. (2008). Word sense disambiguation. Scholarpedia, 3(7), article ID 4358. https://doi.org/10.4249/scholarpedia.4358
Eriksson, H.-Er. & Penker, M. (1999). Business Modeling with UML: Business Patterns at work, Wiley & Sons, Fall. URL: https://www.utm.mx/~caff/poo2/Business%20Modeling%20with%20UML.pdf
Expert.ai. (2022, April 26). What semantic analysis means to natural language processing. URL: https://www.expert.ai/blog/natural-language-process-semantic-analysis-definition/
Foster, P., & Fawcett, T. (2013). Data Science for Business: What you need to know about data mining and data-analytic thinking. OReilly Media, Inc. URL: https://www.researchgate.net/publication/256438799_Data_Science_for_Business
Gandhi, R. (2018, June 7). Support Vector Machine – Introduction to Machine Learning Algorithms. Towards Data Science. URL: https://towardsdatascience.com/support-vector-machine-introduction-to-machine-learning-algorithms-934a444fca47
Gillham, J. (2025, August 20). What are dialogue systems – How do they relate to AI content creation? Originality.AI. URL: https://originality.ai/blog/what-are-dialogue-systems
Grytsiuk, P. Y., Ivanyshyn, A. V., & Hrytsiuk, Y. I. (2023). Quality assurance of software products in accordance with IEEE 730-2014 standard within the project implementation lifecycle. Scientific Bulletin of UNFU, 33(2), 101–117. https://doi.org/10.36930/40330214
Hardeniya, N., Perkins, J., Chopra, D., Joshi, N., & Mathur, I. (2016). Natural Language Processing: Python and NLTK. Packt Publishing. URL: https://books.google.com.ua/books?id=0J_cDgA AQBAJ&pg=PA21&hl=uk&source=gbs_toc_r&cad=2#v=onepage&q&f=false
Harris, J. (2016, November 21). The growing importance of big data quality. SAS Blogs. URL: https://blogs.sas.com/content/datamanagement/2016/11/21/growing-import-big-data-quality/
Hashemi-Pour, C., & Barney, N. (2024, October 28). What is named entity recognition (NER)? [Definition]. TechTarget. URL: https://www.techtarget.com/whatis/definition/named-entity-recognition-NER
Hattenhauer, R. (2024). ChatGPT & Co.: A Workbook for Writing, Research, Creating Images, Programming, and More (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781003503675
Hossain, B. A., Md. Mukta, S. H., Md. Islam, A., Zaman, A., & Schwitter, R. (2023). Natural Language – Based Conceptual Modelling Frameworks: State of the Art and Future Opportunities. ACM Computing Surveys, 56, 1, article ID 12, 26 p. https://doi.org/10.1145/3596597
Huang, H., & Zhang, B. (2009). Text Segmentation. In: LIU, L., ÖZSU, M.T. (Eds). Encyclopedia of Database Systems. Springer, Boston, MA. https://doi.org/10.1007/978-0-387-39940-9_421
Hugging, Face. (2026). Hugging Face – The AI community building the future [HomePage]. URL: https://huggingface.co/
Huilgol, P. (2024). Precision and Recall | Essential Metrics for Machine Learning (2023 Update). Analytics Vidhya. URL: https://www.analyticsvidhya.com/articles/precision-and-recall-in-machine-learning/
Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition with Language Models, 3rd edition. Online manuscript released January 6, 2026. Prentice Hall. URL: https://web.stanford.edu/~jurafsky/slp3
Just, J. (2024). Natural language processing for innovation search – Reviewing an emerging non-human innovation intermediary. Technovation, 129, article ID 102883. https://doi.org/10.1016/j.technovation.2023.102883
Khani, F., & Ribeiro, M. T. (2023). Collaborative Development of NLP models. Hugging Face. URL: https://arXiv.org/pdf/ 2305.12219
Kirvan, P., Lutkevich, B., & Kiwak, K. (2024, November 20). What is speech recognition? [Definition from TechTarget]. Customer Experience. URL: https://www.techtarget.com/searchcustomerexperience/definition/speech-recognition
Lebedenko, N., Datsyshyn, K., Haladzhun, Z., Kunanets, N., Veretennikova, N., et al. (2024). Words with the Prefix De- in the Ukrainian Online Media: Structure, Semantics, Tonality. Communication and Linguistics Studies, 10(2), 39–52. https://doi.org/10.11648/j.cls.20241002.13
Maslianko, P. P., & Sielskyi, E. P. (2021). Method of system engineering of neural machine translation systems. KPI Science News, № 2, 46–55. https://doi.org/10.20535/kpisn.2021.2.236939
Maslianko, P. R., & Maystrenko, O. S. (2008). The system engineering of organizational system informatization projects. KPI Science News, 6, 4–42. URL: https://ela.kpi.ua/handle/123456789/36036
Maslianko, P., & Sielskyi, Y. (2021). Data Science – Definition and Structural Representation. System Research & Information Technologies, № 1, article ID 61–78. https://doi.org/10.20535/SRIT.2308-8893.2021.1.05
Meta Platforms, Inc. (n.d.). Meta developer documentation | Meta APIs, SDKs & guides. Meta for Developers. Retrieved May 11, 2026. URL: https://developers.facebook.com/docs/
Microsoft. (2026, April 15). Use the Azure Data Lake Storage URI [Documentation]. Microsoft Learn. URL: https://learn.microsoft.com/en-us/azure/storage/blobs/data-lake-storage-introduction
MIT Technology Review Insights. (2026, April 14). Redefining the future of software engineering: How agentic AI will change the way software is developed and managed. [Report]. URL: https://www.technologyreview.com/2026/04/14/1134397/redefining-the-future-of-software-engineering/
MonkeyLearn. (2026). Text analysis platform to unlock insights from customer feedback. monkeylearn.com. URL: https://www.medallia.com/platform/text-analytics/
Ni, J., Young, T., Pandelea, V., et al. (2023). Recent advances in deep learning based dialogue systems: a systematic survey. Artif Intell Rev, 56, 3055–3155. https://doi.org/10.1007/s10462-022-10248-8
Patsai, B., Nechyporuk, I., & Kovtun, A. (2025). Natural language processing in Ukrainian: challenges and prospects for the use of artificial intelligence in education. Digital Economy and Economic Security, 1(16), 172–179. https://doi.org/10.32782/dees.16-26
Rosu, R., Stefan Stoica, A., Popescu, P. St., & Mihăescu, M. Cr. (2020). NLP based Deep Learning Approach for Plagiarism Detection. International Joural of User-System Interaction, 13(1), article ID 48–60. https://doi.org/10.37789/ijusi.2020.13.1.4
Savchenko, Ye. A., & Savchenko, M. Yu. (2020). The Transfer Learning Task as the Means of Metalearning Tasks Solution. Control Systems and Computers, 2, 41–54. https://doi.org/10.15407/csc.2020.02.041
Shikha. (2025, May 26). Data lake vs. data warehouse: Whats the difference?. Analytics Vidhya. URL: https://www.analyticsvidhya.com/blog/2023/02/a-comprehensive-guide-to-data-lake-vs-data-warehouse/
Siva, G. (2021, November 2). BERT – Bidirectional Encoder Representations from Transformer. Medium. URL: https://gayathri-siva.medium.com/bert-bidirectional-encoder-representations-from-transformer-8c84bd4c9021
Storey, V. C., Lukyanenko, R., & Castellanos, A. (2023). Conceptual modeling: Topics, themes, and technology trends. ACM Computing Surveys, 55(14s), article ID 317, 1–38. https://doi.org/10.1145/3589338
Stryker, C., & Holdsworth, J. (2026). What is NLP (Natural Language Processing)? IBM. URL: https://www.ibm.com/think/topics/natural-language-processing
Suram, P., Banik, D., & Sharma, A. K. (2026). Large language model based machine translation for universal multilingual understanding and translation quality enhancement. Discover Computing, 29, article ID 217. https://doi.org/10.1007/s10791-026-10027-x
Thanaki, J. (2017). Python Natural Language Processing: Advanced machine learning and deep learning techniques for natural language processing. Packt Publishing. URL: https://dl.acm.org/doi/book/10.5555/3164989#cited-by-sec
The Stanford Natural Language Processing Group. (2025). Machine translation. URL: https://nlp.stanford.edu/projects/mt.shtml
Torskyi, O. I., & Hrytsiuk, Y. I. (2025). Application of machine learning to enhance the efficiency of automated software testing. Scientific Bulletin of UNFU, 35(4), 142–149. https://doi.org/10.36930/40350416
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems, 30, 5998–6008. Curran Associates, Inc. https://doi.org/10.48550/arXiv.1706.03762
Zhang, L., & Sun, J. T. (2009). Text generation. In L. Liu & M. T. Özsu (Eds.), Encyclopedia of database systems (pp. 3065–3070). Springer. https://doi.org/10.1007/978-0-387-39940-9_416
