
-
生物通官微
陪你抓住生命科技
跳动的脉搏
" />
一种结合CNN与LSTM的混合方法,用于大规模Twitter情感分析,并具备可解释性人工智能特性
《Scientific Reports》:A hybrid CNN–LSTM approach for large-scale Twitter sentiment analysis with explainable artificial intelligence
【字体: 大 中 小 】 时间:2026年06月18日 来源:Scientific Reports 3.9
编辑推荐:
摘要由于推特等平台被广泛用于表达公众意见,对社交媒体数据的情感分析已成为一项重要的研究课题。然而,推文篇幅短、风格非正式且具有上下文依赖性,这给准确的情感分类带来了巨大挑战。本研究提出了一种基于混合卷积神经网络-长短期记忆网络(CNN–LSTM)架构的全面情感分析框架。该模型结合
由于推特等平台被广泛用于表达公众意见,对社交媒体数据的情感分析已成为一项重要的研究课题。然而,推文篇幅短、风格非正式且具有上下文依赖性,这给准确的情感分类带来了巨大挑战。本研究提出了一种基于混合卷积神经网络-长短期记忆网络(CNN–LSTM)架构的全面情感分析框架。该模型结合了卷积神经网络在局部特征提取方面的优势以及长短期记忆网络在序列和上下文建模方面的能力。该框架在包含超过690,000条被标记为正面、负面和中性情感的推文的大型平衡推特数据集上进行了测试。研究使用准确性、精确度、召回率和F1分数等标准评估指标,系统地比较了包括卷积神经网络、长短期记忆网络、双向长短期记忆网络以及所提出的CNN–LSTM混合模型在内的多种深度学习模型。实验结果表明,CNN–LSTM混合模型取得了最佳的整体性能,其准确性为97.73%,精确度为97.74%,召回率为96.73%,F1分数也为97.73%,优于所有基准模型。此外,通过SHapley加性解释方法提升了模型的可解释性,研究表明情感预测是由具有语义意义且与情感相关的词汇驱动的。实验结果表明,所提出的方法在大规模推特情感分析任务中实现了良好的预测性能与可解释性之间的平衡。
生物通微信公众号