多ラベルテキスト感情検出のためのハイブリッドスタックアンサンブル学習フレームワーク

科学分野:

• 自然言語処理;計算言語学;人工知能

背景:

• 感情分析は伝統的に二値（肯定的/否定的）分類を使用しています。;人間の感情は複雑で重複しているため、正確な感情検出にはマルチラベル分類が必要です。;トランスフォーマーモデルは、データ不足と一般化の問題により、低リソース言語や多様なコンテキストでの課題に直面しています。

研究 の 目的:

• 感情検出における注釈付きデータの不足に対処するため。;分類精度、適応性、およびクロスリンガル一般化を改善するため。;強化されたマルチラベル感情分類のためのハイブリッドスタックアンサンブルフレームワークであるHyb-Stackを提案するため。

主な方法:

• ランダムフォレストメタ分類器を使用してBERT、DistilBERT、RoBERTa、およびmBERTからの予測を組み合わせました。;単純なスタッキングとクロスバリデーションスタッキングを統合したHyb-Stackを開発しました。;英語（SemEval-2018 Task 1 E-c）、インドネシア語（ヘイトスピーチ）、およびハウサ語（HaEmoC_V1）データセットで評価しました。

主要な成果:

• EM-9アンサンブル（BERT + DistilBERT + mBERT）は、優れたF1スコアを達成しました：89.48（ハウサ語）、88.19（インドネシア語）、および90.67（英語）。;mBERTは個別に、すべてのデータセットで他のベースモデルを上回りました。;Hyb-Stackは、平均化や加重平均化などの従来のアンサンブル手法を上回りました。

結論:

• Hyb-Stackは、多様な言語コンテキスト全体でマルチラベル感情分類を効果的に強化します。;複数のトランスフォーマーモデルと最適化された決定レイヤーを組み合わせることが、感情検出の進歩に不可欠です。;このフレームワークは、感情分析における低リソース言語アプリケーションの大きな可能性を示しています。