Голомаздина Дарья

  1) Эти 2 модели классифицировали картинки по-разному, и результат из MDS-модели оказался точнее результата модели Image Grid. MDS-модель раздилила торты по крупности и внешнему содержанию (цветы, крем, фрукты, ягоды). Image Grid по неизвестной причине классифицировала торты по цвету, и то в лишь в некоторых  случаях. 2)  Для анализа я выбала 10 разных фотографий тортов. Они все разные, но некоторые объединяет декор, форма или размер. Именно по этим признакам они и разделились. Я согласна с логикой разделения, которую представила MDS-модель, здесь можно легко ее считать. С моделью деления Image Grid я не согласна, т.к. не понимаю, чем руководствоваться при делении на подобные группы. 

  Новости взяты с сайта: https://www.rbc.ru/politics/ Я использовала новости о политической обстановке в мире.  Тексты разделились на 4 группы.  Тексты 2 и 6 не относятся ни к какой группе. Возможно, это произошло потому что данные тексты схожи, не такие конкретные, там несколько событый и сложно выделить ключевые слова.  Тексты 3 и 9 объеденились в группу, потому что в них рассказывается об атаках дронов. Тексты 7, 10, 4 рассказывают о атаках на стратегически важные объекты и влияние мировых держав, на решение этой проблемы. Тексты 8, 1, 5 рассказывают о переговарах России с другими странами Все тексты распределены по ключевым словам.   Число групп меняется при изменении уровня кластеризации  через перемещение разделителя масштаба анализа. Число групп меняется в сторону увеличения, если двигать разделитель вправо, и в сторону уменьшения- если двигать разделитель влево. 

  для анализа я выбрала новостные статьи:  https://74.ru/text/incidents/2022/07/01/71454245/ https://74.ru/text/criminal/2025/03/13/75215273/ Текст № 1 Текст № 2  Первая модель не совсем точно отражает содержание текста. Она лишь выделяет ключевые слова и частые предлоги, но суть передает (если заранее знать о чем текст).  Вторая модель более точно передает основную суть текста. Здесь слова разделеы на главные и второстепенные. Главные крупнее, второтепенные мельче.  По модели  word cloud легче определить тематику текста. 

 1. Сalvin Klein Соотношение позитивного упонимания к негативному равно 9:1. Позитива больше.  По типам контента преобладает фотоконтент (45%). На втором месте видео- 25%. По ключевым словам, можно сделать вывод о том, что пользователей интересуют различные коллаборации с данным брендом, а также размерная стека.  2. Versace  Соотношение позитивного упонимания к негативному равно 9:1. Позитива больше.  Преобладает фотоконтент - 38%. На вотором месте видеоконтент- 35%.  По ключевым словам, можно сделать вывод о том, что пользователей интересуют показы Версаче, а также дружба с Элтоном Джоном.  3. Tom Hardy Преобладают позитивные (38%) и нейтральные оценки. Позитивные и негативные упоминания соотносятся 4:1.  Преобладает видеоконтент- 39%. На втором месте фотоконтент- 24%.  Частый запрос пользователей: Том Харди в какой-то конкретной роли или каком-то фильме.  Вывод: все, проанализированные мной, бренды и известные личности несут в пуб...

ТЕКСТ №1  ТЕКСТ № 2 Вывод: Я проанализировала 2 разнохарактерных текста. У первого текста доминирует негативный посыл. Но при этом, он наименее эмоционален. Во втором тексте доминируют положительные эмоции, он наиболее эмоционален. Модель АСМ дает наиболее точную оценку характеру эмоций текста. А модель Feature Statistics наиболее точно показывает нас колько ярко эти эмоции выражены в тексте.