Erkennung von Sarkasmus auf Social-Media-Plattformen mittels hybridem Ensemble-Modell mit Fuzzy-Logik

Sarkasmus ist ein Ausdruck der bildlichen Sprache, der das vollständige Gegenteil dessen bedeutet, was gesagt wird, wobei das Letztere meist eher oder äußerst beleidigend ist und dazu dient, jemanden zu kränken oder zu demütigen. In alltäglichen Gesprächen auf sozialen Medien wird Sarkasmus häufig verwendet. Verfahren zur Sentiment-Analyse sind anfällig für Fehler, da Sarkasmus die Bedeutung einer Aussage verändern kann. Die Sorge um analytische Genauigkeit ist mit dem Wachstum automatischer Werkzeuge zur Analyse sozialer Netzwerke gestiegen. Vorläufige Studien zeigen, dass die Genauigkeit der computergestützten Sentiment-Analyse durch sarkastische Bemerkungen allein deutlich vermindert wird. Sarkastische Ausdrücke beeinflussen auch die automatische Erkennung von Falschnachrichten und führen zu Fehlalarmen. Da sarkastische Kommentare von Natur aus mehrdeutig sind, kann die Erkennung von Sarkasmus schwierig sein. Verschiedene einzelne NLP-Strategien wurden in der Vergangenheit vorgeschlagen. Jede Methode hat jedoch Beschränkungen bezüglich Textkontext und Umgebung. Die Methoden sind nicht in der Lage, verschiedene Arten von Inhalten zu verarbeiten. Diese Studie schlägt einen einzigartigen Ensemble-Ansatz auf Basis von Texteinbettungen vor, der Fuzzy-Evolutionslogik in der obersten Schicht umfasst. Dieser Ansatz beinhaltet die Anwendung von Fuzzy-Logik auf Ensemble-Einbettungen der Modelle Word2Vec, GloVe und BERT vor der endgültigen Klassifikation. Die dem Wahrscheinlichkeitswert zugeordneten Gewichte der drei Modelle werden im Fuzzy-Layer verwendet, um Objekte zu kategorisieren. Das vorgeschlagene Modell wurde auf den folgenden Social-Media-Datensätzen validiert: dem Headlines-Datensatz, dem „Self-Annotated Reddit Corpus“ (SARC) und dem Twitter-App-Datensatz. Genauigkeiten von 90,81 %, 85,38 % und 86,80 % wurden erreicht. Die Genauigkeitsmetriken waren präziser als bei früheren State-of-the-Art-Modellen.