Analyse von Stimmungen in Social-Media-Beiträgen durch hybride Modelle

Sentiment-Analyse, eine wesentliche Technik der natürlichen Sprachverarbeitung (NLP), erkennt die Polarität von Textdaten – ob diese positiv, negativ oder neutral sind. In einer Ära, in der menschlicher Ausdruck online stark zunimmt, stellt die Sentiment-Analyse ein entscheidendes Werkzeug dar, das Entscheidungen in verschiedenen Bereichen wie E-Commerce, Gesundheitswesen, Politik und Online-Plattformen beeinflusst. Die Herausforderungen bei der Sentiment-Analyse liegen in der genauen Datenbeschriftung und der Entwicklung effizienter Klassifikationsmodelle. Traditionelle sequentielle Modelle der Sentiment-Analyse stoßen an zeitliche Grenzen, was die Einführung von Transformer-Modellen für eine schnellere, parallelisierte Verarbeitung erfordert. Der im Papier vorgeschlagene hybride Ansatz kombiniert automatisierte Beschriftungsmethoden (emoji-basiert, lexikonbasiert und hashtag-basiert) und ein hybrides RoBERTa-BiLSTM-Modell zur Vorverarbeitung der Textdaten, was zu einem beeindruckenden Präzisionswert von 86,67 % führt. Das Training verschiedener Modelle auf diesen transformierten Daten erfolgt mit einem Trainingsdatensatz von 70 %, einem Validierungsdatensatz von 20 % und einem Testdatensatz von 10 %. Zudem zeigt ein Ensemble-Modell, das verschiedene Machine-Learning- und Deep-Learning-Modelle mit optimierten Hyperparametern integriert, eine Genauigkeit von 78,28 % bei der Vorhersage beschrifteter Datensätze. Dieser innovative hybride Ansatz zeigt Potenzial zur Verbesserung von Anwendungen der Sentiment-Analyse und liefert genauere Einblicke in die in Textdaten geäußerten Stimmungen.