利用Dwarf Mongoose优化和基于深度学习的情感分类技术进行低资源语言信息处理

《ACM Transactions on Asian and Low-Resource Language Information Processing》：Low-Resource Language Information Processing using Dwarf Mongoose Optimization with Deep Learning Based Sentiment Classification

本文提出结合Dwarf Mongoose优化算法与深度学习的Twitter情感分类方法DMODL-TSC，通过预处理、FastText嵌入、BiRNN模型及DMO优化，在三个数据集上验证其分类性能优于传统技术。

　　

摘要

亚洲语言及资源匮乏语言的信息处理属于计算语言学的一个研究领域，其目标是针对那些语言资源较少或使用频率较低的语言开发自然语言处理（NLP）技术。这一领域至关重要，因为亚洲及其他地区的许多语言在NLP领域尚未得到充分关注，这可能限制了使用这些语言的人获取信息和技术的能力。随着网络上用户生成内容的不断增加，情感分析（SA）已成为提取与人类情绪状态相关数据的重要工具。与其他传统技术相比，Twitter情感检测器在评估产品和服务质量方面提供了更优的解决方案。情感分析的检测性能和分类器准确性高度依赖于分类器方法以及输入特征的质量。深度学习（DL）方法利用特定技术从原始数据（如推文或文本）中提取信息，并将其表示为不同形式的模型。因此，本文提出了一种基于深度学习的Twitter情感分类技术——Dwarf Mongoose Optimization with Deep Learning-Based Twitter Sentiment Classification（DMODL-TSC），用于根据推文进行情感分类。该技术结合了自然语言处理（NLP）和深度学习（DL）的理念：首先对原始推文进行预处理，将其转换为可用格式；接着运用先进的FastText词嵌入技术；随后采用双向循环神经网络（BiRNN）进行情感识别；最后通过DMODL技术对BiRNN模型的超参数进行优化，从而实现高效的情感分类效果。通过对三个数据集的全面测试，验证了DMODL-TSC技术的优越性。