PoultryLeX-Net：面向大规模鸡类利益相关者建模的领域自适应双流 Transformer 架构
计算与语言
2026-03-12 v1 人工智能
摘要
全球家禽产业的快速增长，推动了对可负担动物蛋白需求的增长，加剧了公众就生产实践、养殖、管理、动物福利以及供应链透明度的讨论。社交媒体平台如 X（前身为 Twitter）生成大量非结构化文本数据，捕捉鸡类产业中利益相关者的情感。从这一领域特定的话语中提取准确情感信号仍具有挑战性，due to 上下文歧义、语言可变性以及通用语言模型中领域意识的有限。本研究提出了 PoultryLeX-Net，一种基于领域自适应的双流 transformer 框架，用于鸡类相关文本的细粒度情感分析。该体系结构整合了情感分类、主题建模和上下文表示学习，通过领域特定嵌入和门控交叉注意力机制实现。 lexicon引导式流捕捉鸡类特定术语和情感线索，而情境流则建模长程语义依赖。采用潜在 Dirichlet 分配识别与生产管理和福利相关讨论相关的主导主题结构，为情感预测提供补充可解释性。PoultryLeX-Net 在多个基准模型上进行了评估，包括卷积神经网络和预训练 transformer 架构如 DistilBERT 和 RoBERTa。PoultryLeX-Net 在所有基线方法中一致表现出色，在情感分类任务上实现了 97.35% 的准确率、96.67% 的 F1 分数以及 99.61% 的受控下ROC曲线下面积（AUC-ROC），显示了领域适应和双流注意力显著提升情感分类的能力，为鸡类生产决策支持提供了可扩展的智能。
引用
@article{arxiv.2603.09991,
title = {PoultryLeX-Net: Domain-Adaptive Dual-Stream Transformer Architecture for Large-Scale Poultry Stakeholder Modeling},
author = {Stephen Afrifa and Biswash Khatiwada and Kapalik Khanal and Sanjay Shah and Lingjuan Wang-Li and Ramesh Bahadur Bist},
journal= {arXiv preprint arXiv:2603.09991},
year = {2026}
}