Modelo CLSTM jerárquico optimizado para la clasificación del sentimiento de los tweets utilizando la estrategia de...

Área de la Ciencia:

• Procesamiento del lenguaje natural
• Aprendizaje automático
• Lingüística computacional

Sus antecedentes:

• Las redes sociales generan un vasto contenido generado por los usuarios, lo que aumenta la complejidad de la minería de opiniones.
• Los sistemas de análisis de sentimiento (SA) existentes luchan con la precisión de la predicción debido a las limitaciones de los datos y las configuraciones de modelos complejos, lo que dificulta las aplicaciones de aprendizaje profundo (DL).
• La SA precisa es crucial para comprender la opinión pública sobre los productos, los avances y las cuestiones sociales.

Objetivo del estudio:

• Desarrollar un modelo mejorado de análisis de sentimientos para clasificar las emociones en los tweets.
• Abordar las limitaciones de los sistemas de SA actuales, particularmente las bajas tasas de precisión y predicción en los modelos de aprendizaje profundo.
• Mejorar la extracción jerárquica de las emociones locales de los datos textuales.

Principales métodos:

• Propuso un modelo óptimo de memoria neuronal de corto plazo (OTCNLS TM) con aprendizaje de clasificación para el reconocimiento de emociones.
• Se utilizaron cuatro bloques de entrenamiento dentro del modelo TCNLSTM para la extracción jerárquica de características locales.
• Implementó la estrategia Boosted Killer Whale Predation (BKWOP) para la optimización de hiperparámetros y la construcción de modelos de redes neuronales estables.
• Se realizaron experimentos comparativos utilizando el conjunto de datos de Kaggle Twitter para evaluar el rendimiento del modelo.

Principales resultados:

• El modelo OTCNLSTM demostró un rendimiento superior en la clasificación de las emociones de los tweets en comparación con otros modelos de análisis de sentimientos.
• El modelo propuesto extrae efectivamente las emociones locales jerárquicamente.
• La estrategia BKWOP identificó con éxito los hiperparámetros óptimos para construir una red neuronal estable.

Conclusiones:

• El modelo OTCNLSTM ofrece un avance significativo en la precisión del análisis del sentimiento para los datos de las redes sociales.
• El enfoque de extracción de características jerárquicas mejora la capacidad del modelo para reconocer emociones matizadas en el texto.
• Esta investigación proporciona una solución más robusta y precisa para las aplicaciones de análisis de sentimiento comercial en tiempo real.