机器学习与深度学习模型在推文情感分类中的比较分析：基于 Sentiment140 数据集的案例研究
计算与语言
2026-05-07 v1
摘要
社交媒体的指数级增长迫切需要自动化系统来实时分析非结构化的公众情感。本研究在 Sentiment140 数据集的 10,000 条推文子集上，比较了使用 TF-IDF 特征的传统逻辑回归 模型与深度学习双向长短期记忆 架构。实验结果表明，逻辑回归优于 BiLSTM，准确率达到 73.5%，而 BiLSTM 为 69.17%，同时该深度学习模型表现出轻微的过拟合。这些发现表明，对于中等规模的非正式文本数据，具有鲁棒特征提取的经典机器学习方法可以优于更复杂的深度学习方法。最后，训练好的模型被集成到一个使用 Streamlit 构建的交互式 Web 应用程序中，并部署在 Hugging Face Spaces 上供公众访问。
引用
@article{arxiv.2605.04888,
title = {A Comparative Analysis of Machine Learning and Deep Learning Models for Tweet Sentiment Classification: A Case Study on the Sentiment140 Dataset},
author = {Vita Anggraini and Cintya Bella and Bastian and Luluk Muthoharoh and Ardika Satria and Martin C. T. Manullang},
journal= {arXiv preprint arXiv:2605.04888},
year = {2026}
}
备注
8 pages, 3 figures, 3 tables. Comparative study of Logistic Regression and BiLSTM for tweet sentiment classification on a 10,000-sample subset of the Sentiment140 dataset. Includes Streamlit/Hugging Face deployment