关于埃博拉疫情的社交媒体数据的情绪分析使用深度学习分类器

科学领域:

• 公共卫生 公共卫生
• 计算语言学 计算语言学
• 流行病学 流行病学

背景情况:

• 在乌干达爆发的埃博拉病毒病 (EVD) 疫情凸显了在社交媒体上了解公众情绪的必要性.
• 有效的卫生干预需要了解有关EVD的在线讨论和情绪.

研究的目的:

• 通过使用社交媒体数据的深度学习,分析公众对埃博拉病毒病 (EVD) 的情绪.
• 为了比较卷积神经网络 (CNN),长短期记忆 (LSTM) 和变压器双向编码器表示 (BERT) 模型的性能,用于EVD情绪分类.

主要方法:

• 使用深度学习技术对8395条与埃博拉相关的推文进行了情绪分类 (积极,中立,负面).
• 评估了6层CNN,6层LSTM和8层BERT模型进行情绪分析.
• 使用各种评估指标评估模型性能.

主要成果:

• 与CNN和LSTM模型相比,BERT模型表现出卓越的性能.
• 使用BERT模型进行EVD情绪分析,实现了95%的分类准确度.
• 这些发现强调了基于变压器的架构在自然语言处理任务中的有效性.

结论:

• 深度学习,特别是BERT,对于在疾病爆发期间分析公众情绪非常有效.
• 了解社交媒体情绪可以有助于针对性公共卫生沟通和针对埃博拉病毒的干预策略.
• 变压器模型为公共卫生环境中的情绪分析提供了强大的方法.