
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种新颖的词典数据库与CNN-LSTM结合的混合方法,用于检测人们对COVID-19疫苗的 sentiment(情感态度)
《Scientific Reports》:A novel lexicon dictionary and CNN-LSTM employed hybrid approach for sentiment detection of COVID-19 vaccines
【字体: 大 中 小 】 时间:2026年05月20日 来源:Scientific Reports 3.9
编辑推荐:
摘要随着互联网的快速发展,社交媒体已成为人类生活不可或缺的一部分。它为人们提供了一个表达观点的平台。在COVID-19疫情期间,Twitter成为最受欢迎的社交平台,帮助人们在国际上建立联系并支持抗击这一传染性疾病的努力。然而,社交媒体的日益普及产生了大量无意义的信息,研究人员需
随着互联网的快速发展,社交媒体已成为人类生活不可或缺的一部分。它为人们提供了一个表达观点的平台。在COVID-19疫情期间,Twitter成为最受欢迎的社交平台,帮助人们在国际上建立联系并支持抗击这一传染性疾病的努力。然而,社交媒体的日益普及产生了大量无意义的信息,研究人员需要对这些信息进行筛选和整理才能进行有效分析。最近,研究者提出了多种方法来从社交平台上的非结构化数据中提取有价值的信息。尽管如此,在处理模糊内容时,研究人员仍面临诸多挑战。准确判断人们的观点极性仍然是一个亟待解决的问题。为此,本文提出了一种基于混合词典和CNN-LSTM模型的方法,用于分析与COVID-19疫苗相关的推文。该模型通过注意力机制和丰富的词典增强了特征表达能力。不过,基于词典的方法具有很强的领域特异性;而神经网络则较难解释且依赖于内容质量。因此,所提出的混合模型结合了基于词典的方法和神经网络的优点,同时弥补了各自的局限性。实验结果表明,该混合模型在处理COVID-19相关推文时表现优异,准确率达到83.44%,F1分数为88%,召回率为91%,精确率为86%。这表明所提出的混合解决方案在解决类似问题及其他流行病相关场景时具有很强的实用性和可靠性。
生物通微信公众号
热搜:混合模型|CNN-LSTM|COVID-19|推文分析|准确性提升 **摘要**互联网快速发展导致社交媒体成为人类生活核心|尤其在新冠疫情期间成为重要的全球联系与互助平台。然而|非结构化的社交媒体数据常被充斥着无意义信息|价值提炼显得极具挑战性。为解决准确判断推文“极性”的难点|本研究提出了一种创新方案:结合扎根于领域特质的混合词典与基于神经元的CNN-LSTM框架。该方法通过强化注意力机制和知识挖掘能力|有效平衡了传统词典模型在特定领域的优势与神经网络解释性现状及对数据质量依赖的短板。混合模型以83.44%的准确率、88%的F1分数及91%的召回率表明|此策略在处理COVID-19相关推文时卓越|且具备良好的通用度|可为未来其他公共健康危机下的舆情研判提供借鉴。