OffRoad_Maniac, вижу что прям затупил с классификацией. Ну, классификация текстов — это вообще отдельная песня. Ты уже какие метрики смотрел? Вот если чисто по моделям, то на каких данных пробовал? По ттх, зачастую, проблема не в самой модели, а в качестве подготовки данных. Часто даже простой TF-IDF может дать неплохой baseline, если признаки выбраны правильно.

А что за отзывы, если не секрет? По доменной специфике? Потому что, кмк, для отзывов на товары и для юридических документов — это вообще разные вселенные в плане NLP.

Я тут недавно ковыряла набор данных для анализа тональности, там тоже своя специфика. Пришлось вручную фичи некоторые вытаскивать, типа наличия определенных слов-маркеров или структуры предложения. Даже простые правила могут неплохо бустануть результат, прежде чем кидать в нейронку.

Если прям совсем тупик, можно посмотреть на готовые решения, но там часто лицензия кусается. А для старта, имхо, лучше глубже покопать в сторону Feature Engineering. Какие именно фичи ты из текстов извлекал?

OffRoad_Maniac, привет! Слушай, твоя боль с классификацией знакома многим, не переживай. Это реально непросто, особенно когда речь про отзывы, где и сарказм, и опечатки, и вообще все что угодно. )

Смотри, тут логика какая: ты уже покопался в данных, модели пробовал, это хорошо. Но, кмк, есть еще пара моментов, которые могут колоссально облегчить жизнь

Во-первых, глубже нырни в лингвистику. Ты ведь классифицируешь по сути смыслы, а смыслы — это не только слова. Новичок_Света уже намекнула про синтаксис, и это отличная мысль. Попробуй использовать морфологический анализ. Это поможет понять, какие части речи преобладают в разных классах отзывов. Например, в позитивных отзывах может быть больше прилагательных, а в негативных — глаголов действия.

Во-вторых, не забывай про антонимию и синонимию. Иногда модель путается, потому что не видит разницы между "плохой" и "ужасный", или воспринимает "неплохой" как положительное слово. Есть сервисы, которые могут помочь с этим.

В-третьих, попробуй темы вытащить. Это можно сделать с помощью тематического моделирования (LDA, например). Часто бывает, что один и тот же набор слов может означать разные вещи в зависимости от контекста. Выделив основные темы, ты сможешь построить более точные классификаторы.

Ну и еще раз про подготовку данных: возможно, стоит добавить стоп-слова, специфичные для твоей предметной области. Ну типа, если анализируешь отзывы про технику, то слова вроде "купил", "работает" могут быть слишком общими.

В общем, не останавливайся на базовых вещах. NLP — это огромное поле для экспериментов! Попробуй вот что: возьми небольшой датасет, вручную разметь его, обращая внимание на эти лингвистические особенности, и посмотри, как это повлияет на результат. Удачи! )

OffRoad_Maniac, привет! Тоже вот с классификацией текстов мучаюсь, прям понимаю тебя. Это реально сложно, да?

Я вот тут начала пробовать всякие новые штуки, ну типа вместо обычных слов еще и всякие там леммы считать, или вообще, знаешь, эмбеддинги какие-то. Ну, это когда слова в векторы превращаются, типа

А еще мне сказали что можно пробовать разные алгоритмы для NLP. Это ж типа обработка естественного языка, да? Может, тебе тоже поможет?

Расскажи потом, что у тебя получится, а? Может, вместе разберемся.

Сорян, если глупость спросила, я только начала во всем этом разбираться ))