Die Textklassifikation hat zahlreiche Anwendungen in realen Szenarien. Die Emotionserkennung aus Texten ist eine der wichtigen Aufgaben innerhalb der Verarbeitung natürlicher Sprache, die im Laufe der Jahre erhebliche Aufmerksamkeit von Forschern erhalten hat. In dieser Studie werden Emotionen erkannt und klassifiziert, um die Interaktion zwischen Mensch und Computer, die Sentimentanalyse, das Gesundheitsmanagement und intelligente Chatbots zu verbessern. Eine Reihe von Deep Learning-Modellen wurden entwickelt und übertreffen die traditionellen Modelle bei der Klassifikation. Konvolutionale Neuronale Netzwerke (CNN), Long Short-Term Memory (LSTM) und eine Hybridkombination aus CNN und LSTM werden zur Emotionklassifikation verwendet. Darüber hinaus werden zwei traditionelle Machine Learning-Ansätze, darunter logistische Regression und Naive Bayes, ebenfalls zur Vergleichszwecken implementiert. Die Vorverarbeitung ist ein sehr wichtiger Schritt für ein gutes Modell. Textnormalisierung, das Entfernen von Stoppwörtern, Tokenisierung und Padding werden zur Datenvorbereitung verwendet. Wort-Embeddings, insbesondere vortrainierte word2vec, werden verwendet, um die semantische Beziehung von Texteigenschaften, die aus Deep Learning-Modellen gelernt wurden, zu erfassen. Die Leistungsevaluierung dieser Modelle erfolgt anhand von Genauigkeit, Präzision, Recall, F1-Score und Verwirrungsmatrix. Die experimentellen Ergebnisse zeigen, dass die Deep Learning-Modelle die traditionellen Modelle übertroffen haben. Das hybride CNN-LSTM-Modell erzielte die besten Ergebnisse bei der Klassifizierung von Emotionen in einem Mehrklassenproblem.
Ansari et al. (Thu,) untersuchten diese Frage.