TWSSenti：面向社交媒体的话题级情感分析的新型混合框架
计算与语言
2026-03-02 v2
摘要
情感分析是自然语言处理(NLP)中的关键任务，使我们能够从文本数据中提取有意义的见解，尤其是从像Twitter和IMDB这样动态的平台。本研究探索了一种混合框架，结合变换器基模型—— specifically BERT、GPT-2、RoBERTa、XLNet和DistilBERT——以提高情感分类的准确率和鲁棒性。该框架通过利用这些模型各自的独特优势来解决噪声数据、语境模糊和跨数据集的泛化等挑战。BERT捕获双向语境，GPT-2增强生成能力，RoBERTa通过更大语料库和动态遮蔽优化语境理解，XLNet通过基于排列的学习建模依赖关系，DistilBERT在保持高准确率的同时降低计算开销。我们演示了文本清理、分词和使用术语频率-逆文档频率(TF-IDF)和袋-of-words(BoW)进行特征提取，确保模型输入数据的高质量。该混合方法在基准数据集Sentiment140和IMDB上进行评估，分别实现了94%和95%的优异准确率，凌超了单一模型。结果验证了在ensemble-like设置中结合多个变换器模型的有效性，以解决单个体系结构的局限性。该研究突显了其在社交媒体监控、客户情感分析和公众意见跟踪等现实任务中的适用性，为混合NLP框架的未来发展提供了路径。
引用
@article{arxiv.2504.09896,
title = {TWSSenti: A Novel Hybrid Framework for Topic-Wise Sentiment Analysis on Social Media Using Transformer Models},
author = {Aish Albladi and Md Kaosar Uddin and Minarul Islam and Cheryl Seals},
journal= {arXiv preprint arXiv:2504.09896},
year = {2026}
}
备注
27 pages, 12 figures, includes algorithm and comparative tables