基于 LSTM 的 Twitter 情感分析模型
本研究使用长短期记忆网络 (LSTM) 模型,在新浪微博的社交媒体评论中实现了对中国情感的分析,达到了约 92%的准确率,利用自然语言处理(NLP)和公众舆论监督相结合,对于监督公众情绪和趋势至关重要,可用于识别和解决社会问题。
Oct, 2022
使用卷积神经网络与长短时记忆网络,我们成功实现了最先进的 Twitter 情感分类器,通过海量无标注数据来预训练词向量,然后使用少量无标注数据通过远程监督来微调嵌入向量,最终在 SemEval-2017 Twitter 数据集上对 CNN 和 LSTM 进行了再次微调,使用了集成学习方法,我们在所有五个英文子任务中均排名第一。
Apr, 2017
本文使用多种技术,如基于词典的、机器学习和深度学习方法,对社交媒体上的评论数据进行情感分析,并提供了比较分析结果。在本研究中,我们使用了来自 Twitter、Reddit 等社交网络网站的评论等多源数据集。选择了朴素贝叶斯机器学习算法、TextBlob 词典方法和 LSTM 深度学习算法。
Dec, 2022
通过提出 SemEval-2013 任务 2:Twitter 情感分析的表达级子任务和消息级子任务以及在亚马逊机械土耳其上使用众包技术标记大型 Twitter 训练数据集及其他的测试集,对情感分析在社交媒体上进行了研究。该研究因结果的准确性获得了广泛关注和讨论。
Dec, 2019
本文综述了在自然语言处理(NLP)方面使用深度学习模型进行情感分析的最新研究,评估了使用词频 - 逆文档频率(TF-IDF)和词嵌入技术的不同模型和输入特征,并对实验结果进行了比较研究。
Jun, 2020
本论文采用词袋和 ParsBERT 进行机器学习和深度学习模型分析波斯语政治推文的情感,结果表明,使用 ParsBERT 嵌入的深度学习模型优于机器学习模型,在第一组具有三个类别的数据集上,CNN-LSTM 模型的分类精确度最高,达到 89%,在第二组具有七个类别的数据集上,分类精度为 71%,由于波斯语的复杂性,此研究的效率相对较低。
Jul, 2023
研究使用传统机器学习技术和深度神经网络模型在社交媒体文本数据中识别情绪,并构建一个双向长短记忆神经网络(BiLSTM)和双向门循环单元(BiGRU)的集成模型,其中 BiGRU 模型表现最佳,准确率达 87.53%。此结果将有助于开发一个可视化情绪波动的决策工具。
Feb, 2023
本研究旨在使用机器学习方法分析 Twitter 上提到的航空公司航班服务的客户满意度,通过情感分析、词汇分析和时间序列分析,检测顾客情感的异常波动,以帮助航空公司及其他客户面对顾客的快速变化而采取适当措施。
Sep, 2022
本文通过在六个不同的基准上比较多个模型,展示了 Bi-LSTMs 在不同数据集上都有出色表现,并说明 LSTMs 和 Bi-LSTMs 对于多分类细粒度情感任务非常适用。此外,文章还指出,在训练过程中将情感信息融入词嵌入向量可以显著提高与训练数据相似的数据集的效果,有效促进了不同模型结构在不同数据集上的性能的理解和研究。
Sep, 2017