BERT-Deep CNN: COVID-19 推文情感分析的最新技术
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
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
本研究通过 Deep Learning 技术和 Valent Aware Dictionary for sEntiment Reasoner 工具,对来自全球不同地区的推文进行情感分析,统计了关于 COVID-19 疫苗的社交媒体上的积极、消极和中立评论的比例,并通过 LSTM 和 Bi-LSTM 等深度学习算法验证了预测模型,为大众提供理解公众对 COVID-19 疫苗的看法的帮助。
Aug, 2022
本研究利用自然语言处理和深度学习技术,对推特帖子进行情感极性和情绪的分析,研究发现不同国家在 COVID-19 危机中的反应和情感是基于社会规范和政治意愿的体现,且不同文化之间的差异会导致国家在危机中的决策不尽相同。
Aug, 2020
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
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
本论文使用多语言句子嵌入的神经网络对欧洲 COVID-19 疫情爆发期间收集的 Twitter 消息进行情感分析,并将结果按来源国分离,通过与国家事件的相关性进行时间性发展的相关性分析,研究疫情对人们情绪的影响。
Aug, 2020
本文主要关注印度 COVID-19 推文的 Twitter 数据的情感分析,展示了如何提取 Twitter 数据并对其进行情感分析查询,以便分析推文中信息的结构不统一、异质且在某些情况下为积极、消极或中性的观点。
Aug, 2023
我们的团队 “techno” 参加了 CERIST'22 共享任务,利用自然语言处理工具和 BERT 预训练语言模型,对与 COVID-19 疫情有关的 4128 个推文进行了情感分析和 8661 个推文进行了虚假新闻检测任务,并获得了情感分析任务 0.93 的准确度和虚假新闻检测任务 0.90 的准确度。
Apr, 2023