启发式的多尺度特征融合与基于注意力的CNN用于情绪分析
Thogaru Maanasa1, Prasath Raveendran1, Praveen Joe Irudayaraj2
1Department of Computer Science and Engineering, RMK College of Engineering and Technology, Thiruvallur, India.
Network (Bristol, England)
|May 2, 2025
概括
这项研究引入了用于情感分析的先进深度学习模型,通过一种新的启发式方法克服了数据限制. 提出的方法在分析用户生成的文本数据方面实现了卓越的准确性.
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
- 机器学习 机器学习
背景情况:
- 情绪分析自动化了用户生成内容的洞察力,但由于有限的标记数据,它面临着挑战.
- 传统的情绪分析方法已经发展,深度学习方法显示出有前途的表现.
- 现有的深度学习模型需要进一步优化,以提高情绪分析的准确性.
研究的目的:
- 为改进情绪分析提出注意力深度学习模型.
- 为了解决自然语言处理 (NLP) 中标记数据的稀缺性,用于情绪分析.
- 通过一种新的启发式方法提高情绪分析的准确性和效率.
主要方法:
- 数据从公共资源中收集,并进行预处理以删除不相关信息.
- 开发了一个基于多尺度特征融合的自适应和基于注意力的卷积神经网络 (MFF-AACNet).
- 从变压器 (BERT),变压器和word2vector中使用双向编码器表示提取特征,然后通过MFF-AACNet进行融合和处理.
- 参数调整是使用改进的鼠群优化器 (FORSO) 的健身对立进行的.
主要成果:
- 拟议的MFF-AACNet模型与传统情绪分析方法相比,表现优越.
- 从BERT,变压器和word2vector中提取特征,结合多尺度融合,改进了分析.
- 福尔索优化器有效调整了模型参数,提高了整体准确性.
结论:
- 开发的注意力深度学习框架在情绪分析方面取得了重大进展.
- 拟议的模型有效地减轻了NLP中标记数据不足的挑战.
- 这种方法为分析用户生成的内容情绪提供了更准确,更强大的解决方案.
