一个增强的IDBO-CNN-BiLSTM模型用于对自然灾害推特的情感分析

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 灾害管理 灾害管理

背景情况:

• 社交媒体对于传播灾难信息至关重要.
• 对公众推特的准确情绪分析有助于应急响应.
• 现有的情绪分析模型在适用性方面存在局限性.

研究的目的:

• 提出一个增强的IDBO-CNN-BiLSTM模型,用于在与灾难相关的推特中准确地识别情绪极性.
• 改进现有的群体智能和深度学习模型,用于情感分析.
• 帮助政府和救援组织了解自然灾害期间公众的需求.

主要方法:

• 开发了一种改进的虫优化 (IDBO) 算法,包括拉丁式超立方体采样, Osprey优化算法 (OOA) 和自适应的高斯 - 考希混合变异.
• 利用IDBO算法对一个卷积神经网络-双向长期短期记忆 (CNN-BiLSTM) 模型的超参数进行了优化.
• 应用IDBO-CNN-BiLSTM模型来分类与风哈维相关的推文中的情感倾向.

主要成果:

• 在IDBO-CNN-BiLSTM模型中,在对推特情绪倾向进行分类时,获得了0.8033的准确性.
• 拟议的模型在经验分析中表现优于其他单一和混合模型.
• 精度提高了2.89% (相对于GWO),2.82% (相对于WOA) 和2.72% (相对于DBO).精度提高了2.89% (相对于GWO),2.82% (相对于WOA) 和2.72% (相对于DBO).

结论:

• IDBO-CNN-BiLSTM模型在灾难环境中表现出优越的情绪分析性能.
• 这种模型可以有效地协助在自然灾害期间的紧急决策.
• 这项研究强调了混合AI方法在灾害管理和公众情绪理解方面的潜力.