利用在集体机器学习方法中预先训练的嵌入来进行阿拉伯语情绪分析

科学领域:

• 自然语言处理自然语言处理.
• 机器学习 机器学习
• 计算语言学 计算语言学

背景情况:

• 由于语言多样性,方言变化和有限的资源,阿拉伯情绪分析面临着挑战.
• 开发强大的情绪分类系统需要解决这些固有的复杂性.

研究的目的:

• 调查集体机器学习方法对阿拉伯情绪分析的有效性.
• 在平衡和不平衡的阿拉伯语数据集上评估同质组合技术.
• 评估预训练词嵌入和SMOTE对模型性能的影响.

主要方法:

• 实施和评估同质组合技术 (例如,天真贝叶斯,SVM,决策树,SGD,KNN,随机森林).
• 使用了两个数据集:ArTwitter (平衡) 和Syria_Tweets (不平衡).
• 采用合成少数群体过量采样技术 (SMOTE) 来解决阶级不平衡问题,并采用预先训练的词嵌入和单图特征.

主要成果:

• 整体模型在两个数据集中始终优于单个分类器.
• 在ArTwitter上,一个合奏获得了90.22%的准确性和92.0%的F1分数.
• 在Syria_Tweets上,另一个组合达到83.82%的准确率和83.86%的F1分数.

结论:

• 合体学习增强了阿拉伯情绪分析系统的稳定性和通用性.
• 预先训练的嵌入进一步提高了性能,证明了这些方法的价值.
• 汇集方法有效地克服了阿拉伯语NLP的挑战,包括语言复杂性和数据不平衡.