Análisis de sentimientos multimodal aprovechando la fuerza de redes neuronales profundas mejoradas por el clasificador XGBoost

El análisis de sentimientos multimodal, una tarea cada vez más vital en los ámbitos del procesamiento del lenguaje natural y el aprendizaje automático, aborda la comprensión matizada de las emociones y sentimientos expresados a través de diversas fuentes de datos. Este estudio presenta el Modelo Híbrido LXGB (Long short-term memory Extreme Gradient Boosting), un enfoque novedoso para el análisis de sentimientos multimodal que combina las fortalezas de las redes neuronales de memoria a largo plazo (LSTM) y los clasificadores XGBoost. El objetivo principal es abordar la compleja tarea de entender las emociones en diversas fuentes de datos, como datos textuales, imágenes y señales de audio. Al aprovechar las capacidades del aprendizaje profundo y el aumento de gradientes, el Modelo Híbrido LXGB logra una precisión excepcional del 97.18% en el conjunto de datos CMU-MOSEI, superando a clasificadores alternativos, incluyendo LSTM, CNN, DNN y XGBoost. Este estudio no solo introduce un modelo innovador, sino que también contribuye al campo al mostrar su efectividad y balance en la captura del espectro matizado de sentimientos dentro de conjuntos de datos multimodales. La comparación con estudios equivalentes resalta el notable éxito del modelo, enfatizando su potencial para aplicaciones prácticas en escenarios del mundo real. El Modelo Híbrido LXGB ofrece una perspectiva única y prometedora en el ámbito del análisis de sentimientos multimodal, demostrando la importancia de integrar LSTM y XGBoost para un rendimiento mejorado.