结合深度学习驱动的细粒度情感识别的黑猩猩优化算法在阿拉伯语语料库中的应用

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Chimp Optimization Algorithm with Deep Learning-Driven Fine-grained Emotion Recognition in Arabic Corpus

针对阿拉伯推文情感分类难题，提出COADL-AFER技术，结合LSTM模型和COA优化算法，有效提升细粒度情感识别准确率，并应用于教育、心理学等领域。

　　

摘要

近年来，推文的情绪分析和分类已成为一个重要的研究领域。阿拉伯语在Twitter上的情绪分类存在困难，相比其他语言需要更多的预处理步骤。情绪检测是自然语言处理（NLP）中的一个重大挑战，它使机器能够识别文本中的情感表达。这项任务包括识别和判断人类的情绪，如恐惧、愤怒、悲伤和喜悦。近年来，推文中表达的情感和情绪受到了广泛关注。阿拉伯地区在国际政治中扮演着重要角色，全球经济也需要关注阿拉伯语中的情感和情绪表达。基于词典的方法和机器学习技术是解决情绪分类问题的两种常见方法。本研究介绍了一种结合深度学习技术的阿拉伯语细粒度情绪识别算法（COADL-AFER）。该算法的主要目标是检测阿拉伯语推文中的多种情绪。除了学术价值外，COADL-AFER技术在多个领域也有实际应用，包括提升电子学习的效果、帮助心理学家识别恐怖分子的言行、提高产品质量以及改善客户服务。COADL-AFER技术采用了长短期记忆（LSTM）模型进行情绪检测。此外，通过COA（Chimp Optimization Algorithm）可以实现LSTM模型的超参数优化。我们通过使用阿拉伯语推文数据集对COADL-AFER系统进行了实验验证，这一关键步骤进一步证明了我们研究的可靠性。仿真结果表明，COADL-AFER技术的效果有所提升，进一步增强了我们研究的可信度。