推特数据使用Hadoop进行情感分析,以及经过metaheuristic优化的图形神经网络
Xiaohui Wang1, Yang Li2, Fangyuan Chen2
1School of Big Data, Qingdao Huanghai University, Qingdao, Shandong, China.
Frontiers in artificial intelligence
|November 10, 2025
概括
这项研究增强了使用图形神经网络 (GNN) 的社交媒体情感分析,该图形神经网络由修改的大象群优化 (MEHO) 算法优化. MEHO显著提高了分类准确性,并减少了人工标签的努力,以更好地分析情绪.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 大规模的非结构化数据处理给情绪分类带来了挑战.
- 传统的图形神经网络 (GNN) 由于手动超参数调整而遭受低于最佳的性能.
- 对社交媒体数据进行有效的情感分析需要强大而高效的方法.
研究的目的:
- 在Hadoop生态系统中应用Hive框架,用于社交媒体数据的情感分类.
- 引入修改的象群优化 (MEHO) 算法,用于在情绪分析中优化GNN.
- 开发自动化数据集构建系统和先进的预处理技术,以提高数据质量和减少人工工作.
主要方法:
- 利用Hadoop生态系统上的Hive框架来处理大规模的非结构化数据.
- 实现了一个图形神经网络 (GNN) 来对Twitter评论进行情绪分类.
- 使用修改的象群优化 (MEHO) 算法来优化 GNN 的超参数,权重和特征子集.
- 综合术语频率-反向文档频率 (TF-IDF) 和词包 (BoW) 功能提取.
- 开发了一个自动化数据集构建系统和基于信息的语句排名,用于预处理.
主要成果:
- 与标准的EHO算法相比,MEHO算法减少了40%的过早收,并提高了6.1%的分类准确性.
- 自动化标签系统减少了80%的手动标签工作.
- 基于的预处理提高了语句难度分类准确率7%.
结论:
- 使用GNN优化MEHO的拟议方法为社交媒体情绪分析提供了有效的解决方案.
- 自动化数据集构建和预处理方法显著提高了效率和数据质量.
- 未来的研究方向包括多模式数据融合和优化MEHO用于超大特征集.
