An Enhanced Emotion Classification Scheme for Twits Based on Deep Learning Approach
Notice bibliographique
Résumé
Given the widespread incorporation of social media into everyday existence, platforms such as Twitter have become crucial arenas for individuals to articulate their thoughts, emotions, and viewpoints.The ability to identify emotions in these facial expressions has a wide range of practical uses, including tailored marketing strategies and research on human behaviour.Nevertheless, the language used on these platforms is frequently filled with colloquialisms and vagueness, rendering the process of detecting emotions a challenging endeavour even for individuals.The difficulties in analysing emotions on Twitter are particularly noticeable because current natural language processing (NLP) techniques have limited ability to handle slang language, and earlier classifiers that rely on slang have produced unsatisfactory results.This paper presents a new model for categorising emotions in tweets that contain slang.The model combines multiple approaches and utilises the WordNET dataset.The WordNET library is used in the proposed model to create synonymous phrases for the sentences in the text.The text data is divided into segments, reduced to their root forms, then filtered to remove often used words using natural language processing (NLP) approaches.The textual properties are described by utilising Term Frequency -Inverse Document Frequency (TF-IDF) and n-gram based similarity approaches.Emotions are classified by the utilisation of a convolutional neural network (CNN).An analysis was conducted on the performance of this model based on the metrics of classification accuracy and processing speed.The findings revealed a remarkable level of accuracy in classifying emotions in slang language using the suggested model, achieving a precise categorization rate of 89.3%.This study represents a notable advancement in the field of emotion classification in social media writing that contains slang language.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».