通过混合词嵌入方法和贝叶斯条件多分类器进行社交网络文本数据分类

摘要 文本的情感分析（SA）在当今数字时代中扮演着至关重要的角色，特别是在社交媒体网络领域。文本情感的分析成为自然语言处理（NLP）的一个关键方面。在社交媒体中，个人广泛接触大量文本和意见。情感分析使我们能够深入挖掘和发现这些意见、情感和观点，从而提取出关于各种主题的宝贵见解。词嵌入在处理文本数据中的重要性在于其能够将词表示为密集向量，使机器能够捕捉语义关系和上下文细微差别，从而增强各种自然语言处理任务。目前，有两种流行且著名的模型，即BERT和GloVe，用于词嵌入。目前，GloVe被认为是最精确的方法之一。然而，这种方法没有考虑文本中存在的情感信息。因此，我们选择利用经过大量文本语料库训练的预训练BERT模型，结合GloVe模型来弥补这一局限。本研究利用了结合BERT和GloVe的混合词嵌入模型。采用多种分类器分析文本情感。在决策层面，我们采用贝叶斯条件将当前结果与先前决策相结合。当将先前决策与新决策结合时，该模型通过根据新证据精炼或调整决策，从而实现更高的准确性。我们的方法展示了显著的结果，突显了其实践意义。在IMDB、Sentiment140和Twitter美国航空数据集上的实验结果表明，所提出的方法取得了良好的效果，准确率分别为0.958、0.925和0.946。与其他类似研究相比，这些结果被认为是可以接受的。