Ein hybrides neuronales Netzwerkmodell basierend auf Transferlernen für die arabische Sentimentanalyse der Kundenzufriedenheit

Zusammenfassung Die Sentimentanalyse, eine Methode zur Klassifizierung von Textinhalten in positive, negative oder neutrale Stimmungen, wird häufig auf Daten von sozialen Medien angewendet. Arabisch, eine Amtssprache der Vereinten Nationen, stellt aufgrund seiner komplexen Morphologie und der dialektalen Vielfalt einzigartige Herausforderungen für die Sentimentanalyse dar. Im Vergleich zu Englisch ist die Forschung zur arabischen Sentimentanalyse relativ selten. Transferlernen, das das gewonnene Wissen aus einem Bereich auf einen anderen anwendet, kann die Einschränkungen von Trainingszeit und Rechenressourcen angehen. Die Entwicklung des Transferlernens für die arabische Sentimentanalyse ist jedoch noch unterentwickelt. In dieser Studie entwickeln wir ein neues hybrides Modell, RNN‐BiLSTM, das rekursive neuronale Netzwerke (RNN) und bidirektionale Langzeit-Kurzzeit-Gedächtnisnetzwerke (BiLSTM) kombiniert. Wir verwendeten arabische bidirektionale Encoder-Repräsentationen aus Transformatoren (AraBERT), ein hochmodernes, vorher trainiertes transformerbasiertes arabisches Sprachmodell, um Wort-Einbettungsvektoren zu erzeugen. Das RNN‐BiLSTM-Modell integriert die Stärken von RNN und BiLSTM, einschließlich der Fähigkeit, sequenzielle Abhängigkeiten und bidirektionale Kontexte zu lernen. Wir trainierten das RNN‐BiLSTM-Modell im Quellbereich, speziell mit dem arabischen Bewertungsdatensatz (ARD). Das RNN‐BiLSTM-Modell übertrifft die RNN- und BiLSTM-Modelle mit Standardparametern und erreicht eine Genauigkeit von 95,75 %. Wir wandten außerdem Transferlernen auf das RNN‐BiLSTM-Modell an, indem wir seine Parameter mithilfe von Zufallssuche verfeinerten. Wir verglichen die Leistung des feinjustierten RNN‐BiLSTM-Modells mit den RNN- und BiLSTM-Modellen auf zwei Zielbereich-Datensätzen: ASTD und Aracust. Die Ergebnisse zeigten, dass das feinjustierte RNN‐BiLSTM-Modell effektiver für Transferlernen ist und eine Genauigkeit von 95,44 % bzw. 96,19 % auf den Datensätzen ASTD und Aracust erreicht.