阿拉伯语情感分析中浅层与深度学习分类器的实证评估
计算与语言
2021-12-02 v1 机器学习
摘要
本工作详细比较了卷积神经网络（CNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）及其混合模型等深度学习模型，以及一组浅层学习分类器在阿拉伯语评论情感分析上的性能。此外，比较还包含了Transformer架构与araBERT预训练模型等最先进（SOTA）模型。本研究使用的数据集为多方言阿拉伯语酒店与书籍评论数据集，它们是公开可用的最大阿拉伯语评论数据集之一。结果显示，在二分类与多标签分类中深度学习优于浅层学习，这与文献中类似工作的结果相反。这种结果差异由数据集规模导致，因为我们发现其与深度学习模型性能成正比。深度学习与浅层学习技术的性能依据准确率与F1分数进行了分析。表现最佳的浅层学习技术是随机森林，其后为决策树与AdaBoost。深度学习模型在使用默认嵌入层时表现相近，而Transformer模型在结合araBERT后表现最佳。
引用
@article{arxiv.2112.00534,
title = {Empirical evaluation of shallow and deep learning classifiers for Arabic sentiment analysis},
author = {Ali Bou Nassif and Abdollah Masoud Darya and Ashraf Elnagar},
journal= {arXiv preprint arXiv:2112.00534},
year = {2021}
}