基于PyCaret AutoML与BiLSTM的细粒度情感分类基准测试：针对20类情感检测的比较研究
计算与语言
2026-04-30 v1
摘要
细粒度情感分类通过识别如幸福、愤怒、悲伤和恐惧等具体情感状态来实现，在自然语言处理领域仍是一个具有挑战性的任务。本研究使用包含79,595个英文句子的20-情感文本分类数据集，对经典机器学习和深度学习方法进行20类情感分类基准测试。在机器学习方面，评估了使用TF-IDF特征的Logistic回归、Multinomial Naive Bayes和支持向量机。在深度学习方面，比较了双向长短期记忆网络、门控循环单元以及在PyTorch中实现的轻量级Transformer。结果表明，BiLSTM在整体性能上取得最佳成绩，准确率达到89%，加权F1分数为0.89，略微超越了最佳机器学习模型SVM，后者达到88.11%的准确率。研究发现，尽管传统机器学习模型仍保持竞争力且计算效率高，但基于序列的深度学习模型能更好地捕捉文本中的情感线索。
引用
@article{arxiv.2604.26310,
title = {Benchmarking PyCaret AutoML Against BiLSTM for Fine-Grained Emotion Classification: A Comparative Study on 20-Class Emotion Detection},
author = {Arya Muda Siregar and Arielva Simon Siahaan and Haikal Fransisko Simbolon and Luluk Muthoharoh and Ardika Satria and Martin C. T. Manullang},
journal= {arXiv preprint arXiv:2604.26310},
year = {2026}
}
备注
7 pages, 2 figures, 3 tables. This paper compares machine learning and deep learning methods for 20-class emotion classification on an English text dataset of 79,595 samples