Makrogazdasági mutatók becslése mélytanulás alapú szentimentelemzéssel

Az elmúlt évek során a mesterséges intelligencia jelentősége és gyakorlati alkalmazhatósága folyamatosan növekedett, feladatok egyre szélesebb spektrumában szerzett meghatározó szerepet. Kiemelt figyelemre tettek szert a mélytanulásra alapuló megoldások, melyek úgynevezett rejtett, köztes rétegek segítségével érnek el kifejezetten ígéretes eredményeket.

A mélytanulás egyik legfontosabb alkalmazási területe a természetes nyelvfeldolgozás, mely szöveg és beszéd számítógépes eszközökkel való feldolgozására, értelmezésére, osztályozására irányul. Kiemelt relevanciájú nyelvfeldolgozási feladat a szentimentelemzés, a természetes nyelvben fellelhető érzelmi töltetek, tónusok azonosítása és számszerűsítése. Széles körben tárgyalt kérdés, hogy van-e kapcsolat a gazdasági hírek hangulata és különböző makroökonómiai mutatók között, valamint milyen mértékben lehetséges ezen mutatók becslése vagy előrejelzése.

Viszonylag új keletű fejlemény, hogy az önfigyelemre épülő, kétirányú megközelítést alkalmazó és nagyfokú skálázhatósággal bíró Transformer-alapú modellek kiemelkedő teljesítményt értek el a legkülönfélébb természetes nyelvfeldolgozási feladatokban.

Dolgozatomban az Amerikai Egyesült Államok egyes makrogazdasági mérőszámainak (egy főre jutó bruttó hazai termék, munkanélküliségi ráta stb.) becslésére teszek kísérletet gazdasági híreken végzett szentimentelemzéssel. Munkámban a rendkívül ígéretes Transformer-alapú modellek különböző variánsait (pl: BERT, RoBERTa), valamint korábbi mélytanulási architektúrákat is megvizsgálok. Releváns kérdés, hogy fellelhető-e különbség az egyes mutatók becsülhetősége között, de elemzés tárgyát képezi az is, hogy a különböző méretű modellek teljesítménye között milyen relációk állapíthatók meg, melyek a lehetséges kompromisszumok.

szerző

• 
  Bokor Zalán Béla
  Mérnök informatikus szak, alapképzés
  alapképzés (BA/BSc)

konzulens

• 
  Dr. Gyires-Tóth Bálint
  adjunktus, Távközlési és Médiainformatikai Tanszék