基于 Transformer 语言模型的 COVID-19 推文分析
计算与语言
2021-03-02 v1 信息检索
机器学习
摘要
在医疗危机中理解公众情绪与认知对于制定恰当的危机管理策略至关重要。尽管已有一些研究利用 Twitter 数据在 COVID-19 期间进行预测建模,但针对此次大流行期间社交媒体上民众观点的细粒度情感分析尚未开展。在本研究中,我们对 COVID-19 相关推文进行了深入的细粒度情感分析。为此,我们对四个 transformer 语言模型进行有监督训练,以完成将推文多标签分类为七种语气类别的下游任务:[confident、anger、fear、joy、sadness、analytical、tentative]。我们通过 RoBERTa 取得了 0.9267 的 LRAP(标签排序平均精度)分数。该训练好的 transformer 模型能够以高准确度正确预测推文的语气。我们随后利用此模型对 200,000 条 COVID-19 推文预测语气。我们接着按国家分析了推文语气,并提取了关于此次大流行中民众心理状况的有用指标。
引用
@article{arxiv.2103.00199,
title = {COVID-19 Tweets Analysis through Transformer Language Models},
author = {Abdul Hameed Azeemi and Adeel Waheed},
journal= {arXiv preprint arXiv:2103.00199},
year = {2021}
}
备注
5 pages, 5 figures