Un marco de aprendizaje automático híbrido apilado para la detección de emociones multietiqueta en texto

Área de la Ciencia:

• Procesamiento del Lenguaje Natural
• Lingüística Computacional
• Inteligencia Artificial

Sus antecedentes:

• El análisis de sentimientos utiliza tradicionalmente la clasificación binaria (positiva/negativa).
• La detección precisa de emociones requiere una clasificación multietiqueta debido a las emociones humanas complejas y superpuestas.
• Los modelos de transformadores enfrentan desafíos en idiomas de bajos recursos y contextos diversos debido a la escasez de datos y los problemas de generalización.

Objetivo del estudio:

• Proponer Hyb-Stack, un marco de conjunto híbrido apilado para mejorar la clasificación de emociones multietiqueta.
• Mejorar la precisión de la clasificación, la adaptabilidad y la generalización entre idiomas.
• Abordar la falta de datos anotados en idiomas de bajos recursos para la detección de emociones.

Principales métodos:

• Se desarrolló Hyb-Stack, que integra el apilamiento simple y de validación cruzada.
• Se combinaron las predicciones de BERT, DistilBERT, RoBERTa y mBERT utilizando un meta-clasificador de Random Forest.
• Se evaluó en conjuntos de datos en inglés (SemEval-2018 Task 1 E-c), indonesio (discurso de odio) y hausa (HaEmoC_V1).

Principales resultados:

• El conjunto EM-9 (BERT + DistilBERT + mBERT) logró puntuaciones F1 superiores: 89,48 (hausa), 88,19 (indonesio) y 90,67 (inglés).
• mBERT superó individualmente a otros modelos base en todos los conjuntos de datos.
• Hyb-Stack superó a los métodos de conjunto convencionales como el promediado y el promediado ponderado.

Conclusiones:

• Hyb-Stack mejora eficazmente la clasificación de emociones multietiqueta en diversos contextos lingüísticos.
• La combinación de múltiples modelos de transformadores con una capa de decisión optimizada es crucial para avanzar en la detección de emociones.
• El marco demuestra un potencial significativo para aplicaciones de idiomas de bajos recursos en el análisis de sentimientos.