BanglaSentNet：用于多方面情感分析的可解释混合深度学习框架及跨域迁移学习
摘要
Bangla 电子商务评论的多方面情感分析仍具有挑战，主要due to limited annotated datasets、morphological complexity、code-mixing phenomena以及 domain shift 问题，这些问题影响着 3 亿华语使用者。现有方法缺乏可解释性和跨域泛化能力，这些是实际部署中至关重要的。我们提出 BanglaSentNet，这是一个可解释的混合深度学习框架，集成了 LSTM、BiLSTM、GRU 和 BanglaBERT，通过 dynamic weighted ensemble learning 进行多方面情感分类。我们引入了一个包含 8,755 篇经人工标注的 Bangla 产品评论的数据集，覆盖四个方面（Quality、Service、Price、Decoration），来自孟加拉国主要电子商务平台。我们的框架集成了 SHAP-based feature attribution 和 attention visualization，提供透明的洞察。BanglaSentNet 实现了 85% 的准确率和 0.88 的 F1 分数，超越单一深度学习模型 3-7%，并显著优于传统方法。解释性套件实现了 9.4/10 的可解释性评分，人类一致性达 87.6%。跨域迁移学习实验显示其泛化性强：零样本性能在多样化领域（BanglaBook 评论、社交媒体、一般电子商务、新闻标题）中保持 67-76% 的有效性；少样本学习在 500-1000 样本时可达完整微调性能的 90-95%，显著降低了标注成本。实际部署演示了对孟加拉国电子商务平台具有实际用途，为价格优化、服务改进和客户体验提升提供了数据驱动的决策依据。该研究为 Bangla 情感分析树立了新的 SOTA基准，推进了低资源语言上的 ensemble learning 方法，并为商业应用提供了可行的解决方案。
引用
@article{arxiv.2511.23264,
title = {BanglaSentNet: An Explainable Hybrid Deep Learning Framework for Multi-Aspect Sentiment Analysis with Cross-Domain Transfer Learning},
author = {Ariful Islam and Md Rifat Hossen and Tanvir Mahmud},
journal= {arXiv preprint arXiv:2511.23264},
year = {2025}
}
备注
Submitted to Springer Nature Computer Science (SNCS) as an extended version of our ICDSAIA 2025 conference paper