基于四元主导优化的深度卷积神经网络双向长短期记忆模型的文本情感分析研究

【编辑推荐】本文创新性提出TDO-DCSTM（四元主导优化的卷积神经网络双向长短期记忆）模型，通过WSBFE（网络搜索特征提取）和FBFE-SWS（频率特征提取-情感词支持）技术解决传统情感分析中高维特征、方言变异等问题，在亚马逊评论数据集上实现97.79%准确率，为社交媒体的精准舆情监控提供新范式。

　　

Highlight

• 四元主导优化(Tetra Dominant Optimization)：该方法通过局部和全局优化稳定性调整模型参数，减少权重偏差并提升收敛能力。

• TDO-DCSTM模型：整合深度卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)，通过交叉验证提升长短文本特征提取精度。

Tetra dominant optimized CNN enabled Deep BiLSTM for text-based sentiment analysis

研究旨在开发基于TDO-DCSTM的细粒度情感分析方法。数据源来自Kaggle的亚马逊评论数据集和金融情感分析数据集，经预处理后通过WSBFE（网络搜索特征提取）和FBFE-SWS（频率特征提取-情感词支持）技术实现名词聚类及文本实体相似度分析。

Results & discussion

实验显示TDO-DCSTM在较高训练比例下达到97.79%准确率、98.89%特异性及95.88%敏感性，显著优于传统模型。

Conclusion

该模型通过识别文本极性（积极/消极/中立）提升电商平台用户交互体验，其参数优化策略为自然语言处理领域提供新方法论。