利用优化后的深度信念网络对社交媒体文本进行意见挖掘

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Opinion Mining on Social Media Text Using Optimized Deep Belief Networks

社交媒体情感分析研究提出DBN-DGCO方法，通过预处理数据提取特征向量并利用深度信念网络动态分组优化，在准确率、召回率和F1值上分别达到89%、80%和98.2%，优于HEMOS、WOA-SITO等方法。

　　

摘要

在数字世界中，大多数人将他们的闲暇时间和宝贵时间花费在Facebook、Twitter、Instagram等社交媒体网络上。此外，用户还会在他们的社交平台上发布对产品、服务和政党的看法。这些信息被许多其他用户和品牌所关注。通过这些帖子和推文，可以提取用户的情绪和观点，从而了解他们对产品或服务的看法。为了分析这些帖子的情绪，人们采用了情感分析或意见挖掘技术。由于社交媒体网络上拥有海量的数据，这一领域迅速吸引了许多研究人员进行相关研究。此外，这种方法还可以用于分析文本，以提取被分类为“中等”、“中性”、“低极端”和“高极端”的情感。然而，从社交媒体数据集中提取情感是一项具有挑战性的任务，因为这些数据包括正式和非正式的文本、表情符号以及各种符号。因此，为了从访问的社交媒体数据集中提取特征向量，并根据适当的情感对文本进行准确分类，我们提出了一种新的方法，称为基于深度信念网络（Deep Belief Network, DBN）的动态分组协作优化方法（DBN-based DGCO）。利用这种方法，首先对数据进行预处理，使其达到所需的文本格式，然后通过ICS算法提取特征向量。接下来，使用基于DBN的DGCO方法将提取的数据集分类为“中等”、“中性”、“低极端”和“高极端”四种类型。在实验分析中，我们选取了两个社交媒体数据集，并使用HEMOS、WOA-SITO、PDCNN和NB-LSVC等先进方法，从准确性/精确度、召回率、F1分数等性能指标方面评估了我们提出方法的性能。我们提出的ICS-DBN-DGCO方法的准确性/精确度、召回率和F1分数分别为89%、80%和98.2%。