CPC-CMS：面向文档级情感分析的认知成对比较分类模型选择框架
计算与语言
2025-07-21 v1 机器学习
摘要
本研究提出了面向文档级情感分析的认知成对比较分类模型选择 (CPC-CMS) 框架。基于专家知识判断的 CPC 用于计算评估准则的权重，包括准确率、精确率、召回率、F1分数、特异性、马修斯相关系数 (MCC)、Cohen's Kappa (Kappa) 和效率。选取朴素贝叶斯、线性支持向量分类 (LSVC)、随机森林、逻辑回归、极端梯度提升 (XGBoost)、长短期记忆 (LSTM) 和轻量级双向编码器表征来自 Transformer (ALBERT) 作为分类基线模型。构建由分类评估分数与准则权重组成的加权决策矩阵，以选择最适合该分类问题的最佳分类模型。使用三个社交媒体开放数据集验证所提 CPC-CMS 的可行性。基于我们的模拟，在不考虑时间因素的评估结果中，ALBERT 在这三个数据集上表现最佳；若将时间消耗纳入考量，则没有任何单一模型始终优于其他模型。CPC-CMS 可应用于不同领域的其他分类应用中。
引用
@article{arxiv.2507.14022,
title = {CPC-CMS: Cognitive Pairwise Comparison Classification Model Selection Framework for Document-level Sentiment Analysis},
author = {Jianfei Li and Kevin Kam Fung Yuen},
journal= {arXiv preprint arXiv:2507.14022},
year = {2025}
}
备注
35 pages, 33 tables, 6 Figures