基于螯虾优化算法与深度学习的同伴交流情感表达社会心理影响分析

本研究针对数字时代多设备交互背景下情感表达模式的转变，提出SPIEEPC-COADL模型，通过整合FastText词嵌入、变分自编码器(VAE)和螯虾优化算法(COA)，实现了文本情感分类准确率达99.07%的突破。该研究为人机交互(HCI)系统设计提供了新范式，推动了社会心理学与计算语言学的交叉创新。

　　

在数字化浪潮席卷全球的今天，人们通过智能设备进行社交时，情感表达方式正经历着前所未有的变革。这种变革背后隐藏着关键科学问题：如何量化评估同伴交流中的社会心理影响？如何让计算机准确识别文本中细腻的情感变化？传统的情感分析方法（Sentiment Analysis, SA）仅能判断积极/消极/中性三种极性，而现代人机交互（Human-Computer Interaction, HCI）需要更精细的情绪识别能力——这正是沙特阿拉伯哈弗尔巴廷大学社会工作系的Umkalthoom Alzubaidi团队在《Scientific Reports》发表的重要研究着力解决的问题。

研究团队创新性地将生物学启发的优化算法与深度学习相结合，开发出SPIEEPC-COADL模型。该模型通过多级文本预处理（包括去噪、标准化和结构化）、FastText词嵌入（捕捉子词级语义特征）、变分自编码器（Variational Autoencoder, VAE）分类器以及螯虾优化算法（Crayfish Optimization Algorithm, COA）超参数调优四个关键技术模块，在包含39,173条文本的情感检测数据集上实现了突破性性能。特别值得注意的是，研究采用了真实世界的社交媒体文本数据，涵盖悲伤、快乐、愤怒等12类复杂情绪。

文本预处理
通过五步标准化流程（数据清洗、停用词去除、分词、词形还原、归一化）处理原始文本，使"don't wanna work"等非规范表达转化为可计算的特征向量。实验证明该步骤使分类准确率提升21.6%。

FastText词嵌入
采用考虑字符n-gram的300维向量表示，有效解决了社交媒体文本中常见的拼写错误和罕见词问题。数学建模显示，该方法通过式(1)的上下文向量平均计算，显著提升了模型对"Chilling"、"Chilly"等近义词的区分能力。

VAE情感分类
如图2所示，VAE通过编码器-解码器架构学习潜在空间表示，其ELBO目标函数（式6-7）平衡了重构误差（L_rec）和KL散度（L_KL）。独特的重参数化技巧（z=μ+σ⊙ε）使模型能处理情绪表达的模糊边界问题。

COA超参数优化
模拟螯虾的温度适应性行为（避暑、竞争、觅食三个阶段），通过式(13)(15)(20)等位置更新公式动态调整VAE的超参数。在温度参数（式10）控制下，算法成功避免了传统优化方法易陷入局部最优的缺陷。

研究结果验证了SPIEEPC-COADL的卓越性能：在70%训练集上达到99.07%准确率（表4），较基准模型（BERTology、MARBERT等）提升6-8个百分点（图7）。特别在识别"无聊"（Boredom）、"愤怒"（Anger）等罕见情绪时，AUC值提升达58%（表4）。消融实验（表7）证实COA的贡献使F1值提高1.5%，而VAE结构带来1.78%的召回率提升。

这项研究的意义在于三个方面：方法论上，首次将COA应用于NLP领域，为生物启发算法开辟新应用场景；技术上，构建的端到端框架实现了接近人类水平的文本情绪识别；应用层面，为开发具有情感智能的HCI系统提供了可行方案。正如讨论部分指出，该模型仍需解决方言识别和实时性挑战，但其在心理咨询、在线教育等场景的应用前景已清晰可见。未来工作可探索多模态情感分析，将文本模型与Alhussein团队开发的语音情感识别技术相结合，构建更全面的数字情感计算体系。