使用混合特征的多通道 CNN 对尼泊尔 Covid-19 相关推文进行分类
通过使用嵌入、深度学习模型和网格搜索算法对 Twitter COVID-19 数据集进行情感分类,本研究提出了八种不同的混合深度学习模型,旨在提高模型的整体准确性,研究表明,COVID-19 疫苗接种的公众情绪随时间逐渐改善,所提出的模型在广泛的评估中报告了 98.86% 的增加准确性,超过其他模型。
Jun, 2024
本研究基于 Nepali 语言使用自动化的社交媒体分析工具,将 COVID-19 相关的推文自动分类为八个主题,并使用网络平台呈现结果,该研究比较了 Nepali 的两个最新多语言语言模型(mBERT 和 MuRIL)的表现。结果表明,MuRIL 在大数据集下表现更好。
Oct, 2022
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
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
本文研究通过数据挖掘的角度对社交媒体上的假新闻进行自动检测,并用不同的文本分类算法在 Contraint@AAAI 2021 Covid-19 假新闻检测数据集上进行评估。通过使用卷积神经网络(CNN)、长短时记忆(LSTM)和双向编码器变换器(BERT)来进行分类,并评估了无标签 Covid 推文语料库中的无监督学习的重要性。最终结果在 Covid-19 假新闻检测数据集上表现出 98.41%的最佳准确性。
Jan, 2021
本研究采用卷积神经网络(CNN)对来自微博的 119,988 篇原始推文进行情感分析,利用词嵌入进行特征提取,并在情感标签的基础上训练模型执行情感分类,实现了对积极、中立和消极情绪的平衡分类,展示了 CNN 在情感分析任务中的有效性。
Jul, 2023
本文提出一种利用卷积神经网络和长短期循环神经网络模型的混合方法,从 Twitter 帖子中检测和分类假新闻信息的框架,精度可达 82%。该方法能够直观地识别假新闻故事的相关特征而无需领域知识。
Jun, 2018
开发了基于机器学习的网络应用程序,用于自动分类社交媒体上的 COVID-19 相关讨论,并提供了用于分类的基准结果。
Feb, 2024
本研究使用双向编码器表示来自转换器(BERT)的基本预训练模型,并在输出层使用卷积神经网络(CNN)、全连接网络(FCN)和图卷积网络(GCN)等模块进行实验和分析。结果表明,在与 BERT 等预训练模型结合使用较小的医学文本数据集进行训练时,CNN 模型优于其他网络。该研究强调了在医学领域实现有效情感分析中模型选择的重要性,并为未来研究开发更高效的模型架构提供了参考。
Apr, 2024
本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本,提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类,除了 “disagree” 类别外,其余类别均达到高准确性,最终分类准确率达到 84.6%,在该数据集上排名第二。
Oct, 2022