基于网格搜索方法的新冠肺炎 Twitter 情感分类混合深度学习模型
摘要
在当代时代，社交媒体平台积累了大量由用户贡献的社交数据。为了快速把握 individuals 对产品或事件的意见和情感倾向，就必须对用户生成的内容进行情感分析。微博评论常常包含长篇和简短的文本条目，呈现一种复杂的场景。这种复杂性在大型文本内容中尤为突出，由于其丰富的内容和复杂的词语关联，与较短的文本条目相比更为复杂。社交网络网站（如 Facebook 或 Twitter）上的公共舆论情感分析已经发展并找到了各种应用。然而，仍需解决若干挑战。混合方法已成为缓解情感分析错误的有前景模型，尤其是在处理日益复杂的训练数据方面。本文为调查新冠肺炎疫苗接种的犹豫不决情况，提出了八种不同的混合深度学习模型，用于情感分类，旨在提高模型的整体准确率。通过使用嵌入、深度学习模型和网格搜索算法对 Twitter 新冠肺炎数据集进行情感预测。根据研究结果，新冠肺炎疫苗接种的公共情感呈现逐渐改善的趋势，疫苗犹豫不决程度逐渐下降。通过广泛的评估，所提出的模型报告了 98.86% 的准确率提升，超过了其他模型。 Specifically, the combination of BERT, CNN and GS yields the highest accuracy, while the combination of GloVe, BiLSTM, CNN and GS follows closely behind with an accuracy of 98.17%. In addition, increase in accuracy in the range of 2.11% to 14.46% is reported by the proposed model in comparisons with existing works.
关键词
引用
@article{arxiv.2406.10266,
title = {COVID-19 Twitter Sentiment Classification Using Hybrid Deep Learning Model Based on Grid Search Methodology},
author = {Jitendra Tembhurne and Anant Agrawal and Kirtan Lakhotia},
journal= {arXiv preprint arXiv:2406.10266},
year = {2024}
}
备注
14 pages, 6 figures, 11 tables