传统机器学习模型与基于BERT的饮食障碍相关推文自动分类：算法开发与验证研究
计算与语言
2024-02-09 v1 机器学习
摘要
背景：饮食障碍日益普遍，社交网络提供了有价值的信息。目标：我们的目标是识别用于分类与饮食障碍相关推文的高效机器学习模型。方法：在三个月内，我们收集了关于饮食障碍的推文。一个包含2000条推文的子集被标注为：（1）由饮食障碍患者撰写，（2）宣扬饮食障碍，（3）信息性，以及（4）科学性。采用传统机器学习和深度学习模型进行分类，评估准确率、F1分数和计算时间。结果：从1,058,957条收集的推文中，基于Transformer的双向编码器表示在所有四个类别中取得了最高的F1分数（71.1%-86.4%）。结论：基于Transformer的模型在分类饮食障碍相关推文方面优于传统技术，尽管它们需要更多的计算资源。
引用
@article{arxiv.2402.05571,
title = {Traditional Machine Learning Models and Bidirectional Encoder Representations From Transformer (BERT)-Based Automatic Classification of Tweets About Eating Disorders: Algorithm Development and Validation Study},
author = {José Alberto Benítez-Andrades and José-Manuel Alija-Pérez and Maria-Esther Vidal and Rafael Pastor-Vargas and María Teresa García-Ordás},
journal= {arXiv preprint arXiv:2402.05571},
year = {2024}
}