使用 Viterbi 算法和迁移学习进行推文情感提取
本文提出了一种方法,通过将中性情绪加入到包含恐惧、悲伤、喜悦和愤怒四种情绪的基准数据集中,构建了一个平衡的数据集。在这个扩展数据集上,我们研究了支持向量机(SVM)和双向编码器表示转换器(BERT)在情感识别中的应用,并提出了一种将两种模型结合的新型集成模型。实验结果表明,该模型在推特情感识别中实现了 0.91 的准确率。
Aug, 2022
本文描述了对库尔德语数据的情感分析数据集的收集和注释,并探讨了几种经典的机器学习和神经网络技术以及数据增强的方法。我们证明了数据增强可以在难度较大的情况下实现高的 F1 分数和准确性。
Apr, 2023
本文介绍语法检测,标记每个句子的单词的词类(如名词,动词,形容词,副词等),并使用 Viterbi 算法、隐马尔可夫模型和基于约束的 Viterbi 算法进行情感分析来确定句子的字符,以帮助我们了解特定主题的公众情绪。
May, 2022
通过从推特中提取的情感信息,使用 FinBERT 大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过 70% 的 F1 分数,从而在回测交易中获得了更高的累积利润。
Mar, 2024
金融情感分析中的预训练语言模型和迁移学习原则可有效解决特殊的金融领域情感分析困难,同时考虑到像 COVID 这样疫情的因素,对两组不同数据进行情感分析,并使用较小的训练集对模型进行微调。
Apr, 2024
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
使用远程监督学习的 Word2Vec Skip-Gram 模型,以及递归神经网络,识别推文作者态度的高效系统。
Jun, 2016
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
本文探讨了利用 word2vec 从 ACL - 嵌入中学习词向量并利用支持向量机进行分类来进行引文情感分析的方法,并发现手工设计的特征在整体分类上表现更好。
Apr, 2017