Sentimentanalyse von Twitter-Daten durch den Einsatz von Convolutional Neural Network (CNN) und Long Short Term Memory (LSTM)

Zusammenfassung Die Sentimentanalyse auf Twitter ist ein automatisierter Prozess zur Analyse der Textdaten, um die Meinung oder das Gefühl zu bestimmen, das öffentliche Tweets aus verschiedenen Bereichen repräsentieren. Im Marketingbereich etwa werden ständig zahlreiche Tweets mit Hashtags über das Internet von einem Benutzer an einen anderen Benutzer gepostet. Diese Sentimentanalyse stellt eine Herausforderung für Forscher dar, da die korrekte Interpretation des Kontexts, in dem bestimmte Tweet-Wörter verwendet werden, schwierig ist und es oft nicht klar ist, was tatsächlich eine negative oder positive Aussage aus dem riesigen Korpus von Tweet-Daten ist. Dieses Problem beeinträchtigt die Integrität des Systems und die Zuverlässigkeit der Benutzer kann erheblich verringert werden. In diesem Papier identifizieren wir jedes Tweet-Wort und weisen ihm eine Bedeutung zu. Die Merkmale werden mit Tweet-Wörtern, Word2Vec, Stopwörtern kombiniert und in die tiefen Lerntechniken des Convolution Neural Network-Modells und Long Short Term Memory integriert; diese Algorithmen können die Muster der Häufigkeit von Stopwörtern mit ihrer eigenen Strategie erkennen. Diese beiden Modelle sind gut trainiert und werden auf den IMDB-Datensatz angewendet, der 50.000 Filmkritiken enthält. Eine große Menge an Twitter-Daten wird verarbeitet, um die sentimentalen Tweets für die Klassifizierung vorherzusagen. Mit der vorgeschlagenen Methodik können die experimentell gesammelten Proben aus der Echtzeitumgebung gut diskriminiert werden, und die Wirksamkeit des Systems wird verbessert. Das Ergebnis der Deep Learning-Algorithmen zielt darauf ab, die Kritiken der Tweets zu bewerten und kann auch Filmkritiken mit einer Testgenauigkeit von 87,74 % und 88,02 % identifizieren.