El crecimiento exponencial del contenido generado por los usuarios en las plataformas de redes sociales presenta tanto oportunidades como desafíos para extraer información significativa. El Análisis de Sentimientos (AS), un componente crítico de la minería contextual, permite la identificación de información subjetiva incrustada en datos textuales. Este artículo propone un novedoso modelo de Análisis de Sentimientos de Redes Sociales Basado en Máquina de Aprendizaje Extremo del Núcleo utilizando Optimización Mejorada de Escarabajos Estiércol (KELMSASN-IDBO), que combina técnicas avanzadas de aprendizaje automático y optimización inspirada en la naturaleza para mejorar la precisión de la clasificación de sentimientos. El modelo sigue una canalización estructurada: inicialmente, los datos textuales en bruto son sometidos a un exhaustivo procesamiento para eliminar el ruido y estandarizar el contenido. Posteriormente, se extraen características semánticas utilizando Representaciones de Codificadores Bidireccionales de Transformadores (BERT) para una efectiva incrustación de palabras. Las características resultantes son luego clasificadas utilizando una Máquina de Aprendizaje Extremo del Núcleo (KELM), conocida por su alta performance de generalización y velocidad de aprendizaje rápida. Para optimizar el rendimiento de KELM, se emplea un algoritmo de Optimización Mejorada de Escarabajos Estiércol (IDBO) para el ajuste fino de hiperparámetros. Los resultados experimentales demuestran que el modelo KELMSASN-IDBO propuesto supera a las técnicas convencionales de análisis de sentimientos en términos de precisión, eficiencia y robustez. La integración de incrustaciones contextuales profundas y optimización híbrida convierte al modelo propuesto en una herramienta poderosa para extraer sentimientos de datos complejos y a gran escala de redes sociales.
Tamilarasu et al. (Sun,) estudiaron esta cuestión.