适应性搜索机制与卷积学习网络用于在线社交媒体文本总结和分类模型
Reema G Al-Anazi1, Muhammad Swaileh A Alzaidi2, Majdy M Eltahir3
1Department of Arabic Language and Literature, College of Humanities and Social Sciences, Princess Nourah bint Abdulrahman University, P.O. Box 84428, 11671, Riyadh, Saudi Arabia.
Scientific reports
|April 1, 2025
概括
这项研究引入了一种新的深度学习模型,用于总结和分类社交媒体文本. 基于自适应搜索机制的社交媒体数据总结和分类模型 (ASMHLN-SMDSCM) 的等级学习网络在提取关键信息方面实现了高精度.
科学领域:
- 人工智能的人工智能
- 自然语言处理自然语言处理.
- 机器学习 机器学习
背景情况:
- 社交媒体每天都会产生大量的短文,需要有效的总结方法.
- 现有的文本总结技术对于大型数据集通常是耗时且无效的.
- 自动化文本总结,包括抽象 (AS) 和提取 (ES) 方法,对于管理这种数据泛滥至关重要.
研究的目的:
- 提出一种新的技术,ASMHLN-SMDSCM,用于有效地对社交媒体数据进行文本总结和分类.
- 利用先进的深度学习模型来改善信息提取和简洁表示.
- 提高社交媒体内容分析的准确性和效率.
主要方法:
- 拟议的ASMHLN-SMDSCM模型包含用于处理原始数据的文本预处理.
- 使用BERT模型进行特征提取,通过寻找算法 (MSA) 为超参数调整进行优化.
- 通过混合TabNet和卷积神经网络 (TabNet+CNN) 模型实现分类.
主要成果:
- 在文本总结和分类任务中,ASMHLN-SMDSCM方法表现出卓越的性能.
- 在FIFA和FARMER数据集的实验验证中,高准确率分别为98.87%和98.55%.
- 该模型有效地提取了重要的信息,同时保留了社交媒体文本的重要组成部分.
结论:
- ASMHLN-SMDSCM技术为社交媒体文本的总结和分类提供了强大而准确的解决方案.
- 深度学习模型的整合,如BERT,MSA,TabNet和CNN显著提高了分析能力.
- 这种方法为未来对社交媒体数据自动化内容分析的研究提供了有希望的方向.
