T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
275
ISSN:3030-3613
MATNLARNI TAHLIL QILISH ORQALI HISSIYOT VA EMOTSIONAL
RANGLANISHINI ANIQLASH ALGORITMINI TADBIQ QILISH VA
ISHLAB CHIQISH
Dilmurodov Shoxjahon Sirojiddin o‘g‘li
Muhammad al-Xorazmiy nomidagi Toshkent
axborot texnologiyalari universiteti magistiranti
E-mail: shohjahondilmurodov56@gmail.com
Annotatsiya.
Ushbu maqola matnli ma’lumotlarni tahlil qilish orqali hissiylik
va emotsional ranglanishni aniqlash uchun mashinaviy o‘qitish algoritmlariga
asoslangan interaktiv veb-ilova ishlab chiqishni taqdim etadi. Ilova YouTube
platformasidagi foydalanuvchi sharhlarini tahlil qilish uchun Flask freymvorkidan
foydalanadi va YouTube Data API orqali sharhlarni real vaqt rejimida yuklaydi. O‘quv
ma’lumotlari GitHub repositoriyidan olinadi va scikit-learn kutubxonasi yordamida
SVM, Random Forest, Logistic Regression, Gradient Boosting va Naive Bayes
algoritmlari qo‘llaniladi. Sharhlar ijobiy, salbiy yoki neytral deb tasniflanadi, natijalar
esa foydalanuvchilar uchun vizual jadval shaklida taqdim etiladi. Algoritmlarning
samaradorligi aniqlik, aniqlik darajasi, to‘liqlik va F1 ko‘rsatkichlari asosida
baholanadi. Ushbu yondashuv ijtimoiy media ma’lumotlarini avtomatlashtirilgan tahlil
qilishda yuqori samaradorlikni namoyish etadi.
Kalit so‘zlar.
Hissiylik tahlili, mashinaviy o‘qitish, YouTube sharhlari, Flask,
scikit-learn, YouTube Data API, GitHub, matn tahlili, emotsional tasniflash, veb-ilova.
Abstract.
This article presents the development and implementation of an
interactive web application for sentiment and emotional analysis of textual data using
machine learning algorithms. The application leverages the Flask framework to
analyze user comments from the YouTube platform, retrieving data in real-time via the
YouTube Data API. Training data is sourced from a GitHub repository, and
classification is performed using SVM, Random Forest, Logistic Regression, Gradient
Boosting, and Naive Bayes algorithms from the scikit-learn library. Comments are
classified as positive, negative, or neutral, with results presented in a visual tabular
format. The performance of the algorithms is evaluated based on accuracy, precision,
recall, and F1-score metrics. The proposed approach demonstrates high efficiency in
the automated analysis of social media data.
Keywords.
Sentiment analysis, machine learning, YouTube comments, Flask,
scikit-learn, YouTube Data API, GitHub, text analysis, emotional classification, web
application.
Аннотация.
Данная статья представляет разработку интерактивного веб-
приложения для анализа текстовых данных с целью определения сентимента и
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
276
ISSN:3030-3613
эмоциональной окраски на основе алгоритмов машинного обучения.
Приложение использует фреймворк Flask для анализа комментариев
пользователей на платформе YouTube, загружая данные в реальном времени
через YouTube Data API. Обучающие данные извлекаются из репозитория
GitHub, а для классификации применяются алгоритмы SVM, Random Forest,
Логистическая регрессия, Градиентный бустинг и Наивный Байес из библиотеки
scikit-learn.
Комментарии классифицируются как положительные, отрицательные или
нейтральные, а результаты отображаются в виде визуальной таблицы.
Эффективность
алгоритмов
оценивается
по
метрикам
точности,
прецизионности, полноты и F1-меры. Предложенный подход демонстрирует
высокую эффективность в автоматизированном анализе данных социальных
сетей.
Ключевые слова.
Анализ сентимента, машинное обучение, комментарии
YouTube, Flask, scikit-learn, YouTube Data API, GitHub, анализ текста,
эмоциональная классификация, веб-приложение.
Introduction (Kirish).
Zamonaviy raqamli dunyoda ijtimoiy media
platformalari foydalanuvchilarning fikr-mulohazalari va his-tuyg‘ularini aks ettiruvchi
ulkan matnli ma’lumotlar manbai sifatida muhim o‘rin tutmoqda. YouTube kabi
platformalar foydalanuvchi sharhlari orqali jamoatchilikning turli masalalar bo‘yicha
emotsional munosabatlarini tahlil qilish imkonini beradi. Hissiylik tahlili matnli
ma’lumotlarni ijobiy, salbiy yoki neytral deb tasniflash orqali ushbu ma’lumotlarni
tizimli o‘rganishga yordam beradi, bu marketing, ijtimoiy tadqiqotlar va brend
monitoringi kabi sohalarda keng qo‘llaniladi [1, 2]. Ushbu maqola YouTube
sharhlarini real vaqt rejimida tahlil qilish uchun Flask freymvorki va mashinaviy
o‘qitish algoritmlariga asoslangan interaktiv veb-ilova ishlab chiqishni taqdim etadi.
O‘quv ma’lumotlari GitHub repositoriyidan olinadi, YouTube Data API sharhlarni
avtomatlashtirilgan yuklashni ta’minlaydi. Scikit-learn kutubxonasi yordamida SVM,
Random Forest, Logistic Regression, Gradient Boosting va Multinomial Naive Bayes
algoritmlari qo‘llaniladi, ularning samaradorligi aniqlik, aniqlik darajasi, to‘liqlik va
F1 ko‘rsatkichlari asosida baholanadi. Tadqiqotning yangiligi o‘zbek tilidagi sharhlar
uchun moslashtirilgan hissiylik tahlili va Flask’ning mashinaviy o‘qitish bilan samarali
integratsiyasida namoyon bo‘ladi. Maqola ijtimoiy media ma’lumotlarini
avtomatlashtirilgan tahlil qilishning samaradorligini ko‘rsatib, ko‘p tilli tahlil va
chuqur o‘qitish usullarini qo‘llash kabi kelgusidagi tadqiqotlar uchun asos yaratadi.
Methodology (Adabiyotlar tahlili va metodlar). Hissiylik tahlili tabiiy tillarni
qayta ishlash sohasida muhim yo‘nalish sifatida e’tirof etilib, ijtimoiy media
platformalarida foydalanuvchilarning fikr-mulohazalarini tushunishda asosiy vosita
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
277
ISSN:3030-3613
bo‘lib xizmat qilmoqda. Pang va Lee o‘z ishlarida hissiylik tahlilining mashinaviy
o‘qitish usullari bilan yuqori samaradorlikka ega ekanligini ko‘rsatib, ijtimoiy media
kontekstidagi ahamiyatini ta’kidladilar [1]. Liu bu metodning biznes va marketing
sohasidagi amaliy qiymatini yoritdi [2]. Vapnik tomonidan ishlab chiqilgan Support
Vector Machine (SVM) algoritmi yuqori o‘lchovli ma’lumotlar bilan ishlashda
samaradorligi bilan ajralib, matn tasniflashda keng qo‘llanildi [3]. Breiman taklif
qilgan Random Forest algoritmi shovqinli ma’lumotlarga chidamliligi tufayli yuqori
aniqlikni ta’minlaydi [4]. Logistic Regression va Gradient Boosting tasniflashning
chiziqli va chiziqli bo‘lmagan muammolarini hal qilishda muvaffaqiyatli, Multinomial
Naive Bayes esa matnli ma’lumotlarni ehtimollarga asoslangan soddaligi bilan
tasniflaydi [5]. YouTube Data API real vaqt rejimida ma’lumot olish imkonini beradi
[6], GitHub esa ma’lumotlarni saqlash va takrorlanuvchanlikni oshiradi [7]. Flask
freymvorki mashinaviy o‘qitish modellari bilan integratsiyada samarali vosita sifatida
Grinberg tomonidan ta’kidlangan [8]. Ushbu adabiyotlar tadqiqotning ilmiy asosini
mustahkamlab, o‘zbek tilidagi ijtimoiy media ma’lumotlarini tahlil qilishning
dolzarbligini tasdiqlaydi.
Tadqiqot YouTube platformasidagi, xususan o‘zbek tilidagi sharhlarni hissiylik
tahlili orqali tasniflashga qaratilgan interaktiv veb-ilova ishlab chiqdi. Ma’lumotlar
GitHub repositoriyidan olingan ijobiy, salbiy va neytral sharhlar (UZ_positive.txt,
UZ_negative.txt, UZ_neutral.txt) va YouTube Data API orqali real vaqt rejimida
yuklangan sharhlar sifatida ikki manbadan yig‘ildi. O‘zbek tilining morfologik
murakkabligini hisobga olib, scikit-learn kutubxonasining CountVectorizer vositasi
matnlarni so‘z chastotasi vektorlariga aylantirdi, lekin kelgusida lemmatizatsiya kabi
ilg‘or matn qayta ishlash usullari qo‘llanilishi mumkin. Ma’lumotlar 80:20 nisbatda
o‘quv va sinov to‘plamlariga bo‘lindi, test_size=0.2 va random_state=42 parametrlari
qo‘llanildi. Beshta algoritm – SVM, Random Forest, Logistic Regression, Gradient
Boosting va Multinomial Naive Bayes – Python’ning concurrent.futures moduli
yordamida parallel o‘qitildi, bu hisoblash samaradorligini oshirdi. Algoritmlar aniqlik,
aniqlik darajasi, to‘liqlik va F1 ko‘rsatkichlari asosida baholandi. Flask freymvorkiga
asoslangan ilova HTML, CSS va JavaScript yordamida foydalanuvchi interfeysini
taqdim etdi, unda foydalanuvchilar YouTube API kaliti, video identifikatori va sharhlar
sonini kiritib, natijalarni vizual jadval sifatida ko‘radi. Ilova Python 3.x muhitida ishlab
chiqildi, scikit-learn, googleapiclient, requests va pandas kutubxonalaridan
foydalanildi. Tadqiqotning cheklovlari sifatida o‘quv ma’lumotlari hajmining
cheklanganligi va YouTube Data API’ning so‘rov kvotalari qayd etildi, ammo bu
muammolar kelgusida kattaroq ma’lumot to‘plamlari va optimallashtirilgan API
so‘rov strategiyalari orqali bartaraf etilishi mumkin. Ushbu metodologiya o‘zbek
tilidagi ijtimoiy media ma’lumotlarini avtomatlashtirilgan tahlil qilishda samarali
yechim taklif qiladi.
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
278
ISSN:3030-3613
Results (Natijalar). Tadqiqotda ishlab chiqilgan veb-ilova YouTube
platformasidagi, xususan o‘zbek tilidagi foydalanuvchi sharhlarini hissiylik tahlili
orqali tasniflashda yuqori samaradorlikni namoyish etdi. Flask freymvorki asosida
qurilgan ilova YouTube Data API yordamida sharhlarni real vaqt rejimida yukladi va
scikit-learn kutubxonasining CountVectorizer vositasi orqali vektorlashtirilgan
ma’lumotlarni beshta mashinaviy o‘qitish algoritmi – Support Vector Machine (SVM),
Random Forest, Logistic Regression, Gradient Boosting va Multinomial Naive Bayes
– yordamida tasnifladi. O‘quv ma’lumotlari GitHub repositoriyidan olingan ijobiy,
salbiy va neytral sharhlar asosida 80:20 nisbatda bo‘linib, test_size=0.2 va
random_state=42 parametrlari bilan sinovdan o‘tkazildi. Algoritmlarning
samaradorligi aniqlik, aniqlik darajasi, to‘liqlik va F1 ko‘rsatkichlari asosida
baholandi. 1-jadvalda keltirilgan natijalar SVM’ning 0.89 aniqlik bilan yetakchilik
qilganini ko‘rsatdi, bu uning yuqori o‘lchovli ma’lumotlarga moslashuvchanligi bilan
bog‘liq. Random Forest 0.87 aniqlik bilan barqaror natijalar berdi, ansambl yondashuvi
tufayli shovqinli ma’lumotlarga chidamlilikni ta’minladi. Logistic Regression va
Naive Bayes soddaligi tufayli tez o‘qitildi, ammo o‘zbek tilining morfologik
murakkabligi, masalan, so‘z shakllarining xilma-xilligi, ularning aniqligini 0.88
darajasida chekladi. Gradient Boosting 0.79 aniqlik ko‘rsatdi, murakkab matnlarda
pastroq to‘liqlikka ega bo‘ldi, bu tilga xos tokenizatsiya cheklovlari bilan izohlanadi.
1-jadval. Aniqlik, precision, recall va F1-score metrikalari
Model nomi
Accuracy
Precision
Recall
F1-Score
Naive Bayes
0.88
0.88
0.88
0.88
Logistic
Regression
0.88
0.88
0.88
0.88
SVM
0.89
0.89
0.89
0.89
Gradient
Boosting
0.79
0.81
0.79
0.78
Random Forest
0.87
0.87
0.87
0.86
Ilovaning foydalanuvchi interfeysi HTML, CSS va JavaScript yordamida ishlab
chiqilib, natijalarni vizual jadval shaklida taqdim etdi, bu foydalanuvchilarga har bir
sharhning hissiylik holatini, masalan, “Bu video juda yaxshi!” kabi ijobiy deb
tasniflangan sharhlarni solishtirishni osonlashtirdi (1-rasm). YouTube Data API’ning
kunlik so‘rov kvotalari tufayli katta hajmdagi sharhlarni tahlil qilishda kechikishlar
kuzatildi, ammo ilova real vaqt rejimida silliq ishladi. Natijalar marketing
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
279
ISSN:3030-3613
mutaxassislari va tadqiqotchilar uchun qulay vosita sifatida xizmat qildi. Tadqiqot
o‘zbek tilidagi sharhlarning tahlilida avtomatlashtirilgan yondashuvning
samaradorligini tasdiqladi, ammo ma’lumotlar hajmining cheklanganligi kelgusida
lemmatizatsiya va kattaroq to‘plamlar qo‘llash zarurligini ko‘rsatdi.
1-rasm. Interface ko‘rinishi
Discussion (Muhokama). Tadqiqotda ishlab chiqilgan veb-ilova YouTube
platformasidagi, xususan o‘zbek tilidagi sharhlarni hissiylik tahlili orqali tasniflashda
samarali yechim sifatida o‘zini ko‘rsatdi. Flask freymvorki asosida qurilgan ilova
YouTube Data API yordamida sharhlarni real vaqt rejimida yuklab, ularni ijobiy,
salbiy yoki neytral deb tasnifladi. Scikit-learn kutubxonasidagi beshta mashinaviy
o‘qitish algoritmi – Support Vector Machine (SVM), Random Forest, Logistic
Regression, Gradient Boosting va Multinomial Naive Bayes – sinov ma’lumotlari
asosida qoniqarli natijalar berdi. SVM 0.89 aniqlik bilan yetakchilik qildi, chunki
yuqori o‘lchovli ma’lumotlarga moslashuvchanligi o‘zbek tilining murakkab so‘z
shakllarini tahlil qilishda afzallik berdi. Random Forest 0.87 aniqlik bilan barqaror
natijalar ko‘rsatdi, ansambl yondashuvi tufayli shovqinli ma’lumotlarga chidamlilikni
ta’minladi. Logistic Regression va Naive Bayes soddaligi tufayli tez ishladi, lekin
o‘zbek tilining morfologik xilma-xilligi, masalan, so‘z shakllarining ko‘pligi, ularning
aniqligini 0.88 darajasida chekladi. Gradient Boosting 0.79 aniqlik bilan murakkab
matnlarda cheklovlarga duch keldi, bu soddalashtirilgan tokenizatsiya usullarining
yetishmasligi bilan bog‘liq.
Ilovaning amaliy ahamiyati HTML, CSS va JavaScript yordamida ishlab
chiqilgan foydalanuvchi interfeysi orqali yaqqol namoyon bo‘ldi. Vizual jadval
shaklida taqdim etilgan natijalar foydalanuvchilarga sharhlarning hissiylik holatini
tushunarli tarzda solishtirish imkonini berdi, bu marketing va jamoatchilik fikrini
o‘rganishda qulay vosita sifatida xizmat qildi. Biroq, YouTube Data API’ning kunlik
so‘rov kvotalari katta hajmdagi ma’lumotlarni tahlil qilishda kechikishlarga olib keldi.
O‘quv ma’lumotlari hajmining cheklanganligi, xususan o‘zbek tilidagi sharhlarning
T A D Q I Q O T L A R
jahon ilmiy – metodik jurnali
https://scientific-jl.com
63-son_6-to’plam_Iyun-2025
280
ISSN:3030-3613
kamligi, algoritmlarning umumlashtirish qobiliyatini pasaytirdi. Ushbu cheklovlar
kelgusida kattaroq va xilma-xil ma’lumot to‘plamlari, lemmatizatsiya yoki chuqur
o‘qitish modellari, masalan, BERT, qo‘llanilishi orqali bartaraf etilishi mumkin.
Tadqiqot mashinaviy o‘qitish va veb-texnologiyalarning integratsiyalashgan
yondashuvining o‘zbek tilidagi ijtimoiy media ma’lumotlarini tahlil qilishdagi
samaradorligini tasdiqladi, bu esa tilshunoslik, marketing va kontent strategiyasi
sohalari uchun keng imkoniyatlar ochadi.
Conclusion (Xulosa). Ushbu tadqiqot YouTube platformasidagi foydalanuvchi
sharhlarini hissiylik tahlili orqali tasniflash uchun ishlab chiqilgan interaktiv veb-
ilovaning samaradorligini ko‘rsatdi. Flask freymvorki asosida qurilgan ilova YouTube
Data API yordamida real vaqt rejimida sharhlarni yukladi va scikit-learn
kutubxonasidagi mashinaviy o‘qitish algoritmlari – SVM, Random Forest, Logistic
Regression, Gradient Boosting va Multinomial Naive Bayes – orqali ularni ijobiy,
salbiy yoki neytral deb tasnifladi. Random Forest va Gradient Boosting algoritmlari
yuqori aniqlik va muvozanatli natijalar bilan ajralib, ijtimoiy media ma’lumotlarining
murakkab tabiatiga moslashuvchanligini isbotladi. Ilovaning foydalanuvchi interfeysi
natijalarni vizual jadval shaklida taqdim etib, marketing va jamoatchilik fikrini
o‘rganish kabi sohalarda qulay vosita sifatida xizmat qildi. Tadqiqot ijtimoiy media
ma’lumotlarini avtomatlashtirilgan tahlil qilishda mashinaviy o‘qitish va veb-
texnologiyalarning integratsiyalashgan yondashuvining muvaffaqiyatini tasdiqladi.
Kelgusida o‘quv ma’lumotlari hajmini kengaytirish va API cheklovlarini
optimallashtirish orqali ilovaning samaradorligini yanada oshirish mumkin, bu esa
ushbu yechimning kengroq sohalarda qo‘llanilishiga yo‘l ochadi.
Foydalanilgan adabiyotlar
1.
Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and
Trends in Information Retrieval, 2(1-2), 1-135.
2.
Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human
Language Technologies, 5(1), 1-167.
3.
Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer.
4.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
5.
Kim, Y., et al. (2019). Real-time Social Media Analytics Using APIs. Journal of Big Data,
6(1), 1-20.
6.
Perkel, J. M. (2016). Democratic Databases: Science on GitHub. Nature, 538(7623), 127-
128.
7.
Grinberg, M. (2018). Flask Web Development: Developing Web Applications with
Python. O’Reilly Media.
