Jan, 2022

COVID-19 文本舆情挖掘及 ML、BERT 和 RNN 的比较研究

PDF
TL;DR本文提出了一种机器学习方法进行 COVID-19 相关的印度语文本情感分析，并实现了 91% 的准确率。
covid-19pandemicmental healthopinion miningmachine learning
发现论文，激发创造
  • BERT-Deep CNN: COVID-19 推文情感分析的最新技术

    本文探讨利用 BERT 和 Deep CNN 模型通过社交媒体研究社会对 COVID-19 大流行的感知，证明了 BERT 模型在情感分析中的卓越性能。

    Nov, 2022

  • 基于混合深度学习框架自动发现 COVID-19 推特中的话题和情感

    提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

    Dec, 2023

  • COVID-19 公众情绪分析及基于机器学习的推文分类

    通过对新冠病毒相关的推特数据进行情感分析和机器学习分类研究，对美国公众持续恐慌的情感变化进行监测和分析，结果表明短推特使用 Naive Bayes 算法能得到 91% 的分类准确率。

    May, 2020

  • 使用 LSTM 递归神经网络方法进行新冠病毒或 COVID-19 在线讨论的深度情绪分类和主题发现：自然语言处理

    本文采用自然语言处理技术，从社交媒体中提取 COVID-19 相关的讨论，并使用主题建模和 LSTM 循环神经网络方法进行情感分类，以深入了解公众意见，指导相关决策。

    Apr, 2020

  • 全球 COVID-19 信息聚合系统

    本文介绍了一个建立在可靠的 COVID-19 网站数据集基础上的、面向世界各地用户的信息汇聚系统，该系统可帮助用户查找各地的 COVID-19 相关新闻，并通过神经机器翻译和基于 BERT 的主题分类器帮助用户高效地获取自己感兴趣的信息。

    Jul, 2020

  • 利用文本挖掘技术进行 COVID-19 文献挖掘和检索

    使用 NLP 技术，如词袋、平均词向量、平均 BERT 基础模型和 Tf-Idf 加权词向量模型，结合余弦相似度算法，在 CORD-19 数据集中找出与 COVID-19 主题有关的研究文献。

    May, 2022

  • 新冠疫情微博数据情感分析

    本论文通过分析推特数据集，使用多种机器学习算法评估情感，并对数据集的情境进行学习，以识别正面、负面和中性情绪，并向公众传达积极意见，提高公众意识和预防新冠病毒。

    Nov, 2021

  • 利用机器学习对孟加拉国人口进行冠状病毒疾病情况分析和预测研究

    该研究使用机器学习模型创建了一个预测系统，旨在预测孟加拉国未来几天内的感染率和死亡率，并发现多层感知器模型具有比支持向量回归 (SVR) 和线性回归模型更可靠的预测能力。根据该模型的预测，孟加拉国可能面临另一次 COVID-19 攻击，其中感染案例数可能在 929 至 2443 之间，死亡案例数在 19 至 57 之间。

    Jul, 2022

  • 利用机器学习和自然语言处理方法来研究 COVID-19 研究的时间演变

    本研究通过多种数据源建立了多个机器学习模型对当前 COVID-19 研究场景进行了表征，包括识别潜在主题、分析出版物相似性和情感。结果表明 PubMed 和 ArXiv 中的研究类型存在显著区别，前者在 COVID-19 相关问题的多样性方面具有更大的多样性，后者则更关注预测 / 诊断 COVID-19 的智能系统 / 工具。研究团队对高危人群和并发症患者的特别关注也得到了证实。

    Jul, 2020

  • 通过多语言 Twitter 数据集挖掘了解 COVID-19 政策的感知

    本研究利用自然语言处理、文本挖掘和网络分析等方法，对与 COVID-19 大流行有关的推文语料库进行分析，识别不同时期应对疫情的常见方法并揭示其差异，同时揭示了从疫情早期开始通过 Twitter 传播信息和谣言的方式。最后，本研究介绍了一个跨多种语言及来源国家采集的推文数据集，有助于为决策者提供应对未来大流行的参考，并可用于获取有价值的知识以缓解当前 COVID-19 大流行。

    Mar, 2020