Analyse de sentiment sur les données Twitter utilisant une approche d'apprentissage profond

Les développements récents de nombreux sites de réseautage social ont créé de grandes collections d'avis sur les produits et de polarités d'opinions, etc., des données pour les clients du monde entier. La collecte de données à partir de ces médias sociaux peut être utilisée pour résoudre des objectifs tels que la prédiction de marché, la recommandation de produits et le sentiment des critiques. Il est très difficile de gérer des données non structurées disponibles sur les médias sociaux. Pour traiter ce type de données, les algorithmes d'apprentissage profond constituent une solution appropriée pour analyser ces défis. Dans cet article, nous proposons une méthode d'apprentissage profond basée sur CNN-LSTM avec une approche d'embedding pré-entraînée qui apprend à extraire automatiquement des caractéristiques pour analyser les sentiments et classifier les critiques ou opinions étiquetées en deux polarités : positive ou négative. Notre modèle proposé pour implémenter le résultat donne de meilleures performances sur un ensemble de données de référence. La performance de la méthode d'apprentissage profond basée sur CNN-LSTM a été comparée aux méthodes d'apprentissage automatique de référence.