使用长期短期记忆和修订的矮人蒙古斯优化算法进行情绪分析
Haisheng Deng1, Ahmed Alkhayyat2
1Xijing University, Xi'an, 710123, Shaanxi, China.
Scientific reports
|May 17, 2025
概括
本研究介绍了一种优化的长期短期记忆 (LSTM) 模型,使用修改后的矮人蒙古斯优化 (ADMO) 算法进行情绪分析. 拟议的LSTM-ADMO模型实现了高精度,在基准数据集上表现优于其他方法.
科学领域:
- 自然语言处理自然语言处理.
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 情感分析至关重要,但由于文本复杂性,如缩写和错误,具有挑战性.
- 传统方法在不同的文本数据中难以检测微妙的情绪.
研究的目的:
- 通过使用先进的机器学习技术来提高情绪分析性能.
- 为了研究不同词嵌入模型与优化的LSTM架构相结合的有效性.
主要方法:
- 使用GloVe和Word2Vec进行文本向量化.
- 采用了优化的长短期记忆 (LSTM) 模型,并使用了修改后的矮人蒙古斯优化 (ADMO) 算法进行超参数调整.
- 在IMDB和SST-2数据集上评估模型.
主要成果:
- LSTM-ADMO模型实现了高精度,在SST-2上达到97.84%的Word2Vec.
- Word2Vec和GloVe之间的性能差异很小.
- 与现有方法相比,拟议的模型表现出优越的性能.
结论:
- 优化的LSTM-ADMO模型对于情绪分析非常有效,即使是复杂的文本数据.
- Word2Vec和GloVe都是适合这种方法的词嵌入技术.
- 这项研究强调了对NLP深度学习模型的元启发性优化潜力.
更多相关视频
06:19Integration of Animal Behavioral Assessment and Convolutional Neural Network to Study Wasabi-Alcohol Taste-Smell Interaction
Published on: August 16, 2024
354
06:46Automated, Long-term Behavioral Assay for Cognitive Functions in Multiple Genetic Models of Alzheimer's Disease, Using IntelliCage
Published on: August 4, 2018
12.1K
