多语言环境中的情感分析:机器学习和混合深度学习模型的比较分析

科学领域:

• 自然语言处理 (NLP) 是一种自然语言处理.
• 机器学习 (ML) 是指机器学习.
• 情绪分析 情绪分析

背景情况:

• 对电子商务评论的情绪分析对于了解客户反至关重要.
• 现有的文本分类模型在不同语言中显示出不同的性能,特别是像孟加拉语这样的低资源语言.
• 孟加拉语电子商务平台生成孟加拉语和英语翻译评论的混合,需要多语言分析能力.

研究的目的:

• 对各种机器学习和深度学习模型的效果进行比较分析,用于情绪分析.
• 从一个流行的孟加拉电子商务网站对英语和孟加拉文本的模型性能进行评估.
• 确定最有效的文本分类模型,用于在这个领域进行多语言情绪分析.

主要方法:

• 实施七个机器学习和深度学习模型,包括支持矢量机器 (SVM),长短期内存 (LSTM) 和双向LSTM (Bi-LSTM).
• 应用预处理技术和Porter Stemming算法来提高文本数据质量和模型准确性.
• 在不同的英语和孟加拉语审查数据集上使用准确度指标对模型性能进行比较评估.

主要成果:

• 支持矢量机 (SVM) 模型表现出卓越的性能,在英语情绪分析中达到82.56%的准确性,在孟加拉语情绪分析中达到86.43%.
• 双向LSTM (Bi-LSTM) 模型在深度学习方法中表现最好,英语准确率为78.10%,孟加拉语准确率为83.72%.
• 波特源算法显著促进了两种语言测试模型的精度提高.

结论:

• 支持矢量机 (SVM) 对于混合语言电子商务评论的情绪分析非常有效.
• 像Bi-LSTM这样的深度学习模型提供了竞争性性能,特别是在孟加拉文本情绪分析方面.
• 这项研究推进了孟加拉语的文本分类方法,为NLP和情绪分析应用提供了宝贵的见解.