基于混合Transformer-循环网络架构与集成学习策略的波斯语情感分析框架研究

《Scientific Reports》：A novel hybrid and ensemble deep learning model for enhancing sentiment analysis in Persian context

　　

摘要

移动技术的进步使社交媒体成为表达情感与观点的主要平台。分析此类公开共享的情感数据，能够帮助企业和政治组织做出知情的、基于数据驱动的决策。因此，情感分析已成为研究人员和决策者准确解读公众舆论的重要工具。然而，传统的文本处理方法在处理复杂且非正式的文本数据时往往难以达到高精度，这凸显了对更稳健分析框架的需求。尽管深度学习技术最近在自然语言处理（NLP）领域取得了显著成功，但针对波斯语情感分析的研究仍然相对有限。本研究的主要目标是提出一种新颖的混合与集成深度学习框架，专门用于波斯语的情感分析。为评估所提方法的有效性，我们考察了多种架构，包括独立模型（BERT、RoBERTa、RNN和BiLSTM）、基于平均法和多数投票策略的集成模型，以及两种融合序列模型与Transformer模型的混合配置。实验结果表明，BiLSTM的表现优于其他独立方法，而采用平均投票的集成模型以及混合配置Hybrid-1（BERT-RNN-BiLSTM）在准确率、精确率、召回率和F1值方面均取得了最高的分类性能。这些发现表明，整合多种深度学习策略是有效的，并强调了混合与集成架构在波斯语情感分类中的实际应用价值。本研究对混合Transformer-循环网络架构及集成学习策略在波斯语情感分析中的应用进行了全面、系统的调查研究，并基于基准数据集进行了大量实验验证。所提出的模型在四个波斯语情感分析基准数据集上进行了评估，分别为波斯语电子数据集、MirasOpinion数据集、Instagram波斯语评论数据集和SentiDariPers数据集。实验结果结合与现有研究的对比分析，证明了所提框架在所有数据集上均具有持续的优势。特别是，Hybrid-1（BERT-RNN-BiLSTM）模型在波斯语电子数据集上取得了97.00%的最高准确率，而在MirasOpinion、Instagram波斯语评论和SentiDariPers数据集上分别获得了84.00%、80.75%和95.19%的准确率。此外，Hybrid-2（RoBERTa-BiLSTM-RNN）以及所提出的集成模型在所有四个数据集上也均表现出强劲且稳定的性能，进一步验证了所提架构在波斯语情感分类中的鲁棒性和有效性。