Twitter Sentiment Analysis via Chaotic Quantum Fruit Fly Optimization: Enhancing Feature Selection and Classification
Notice bibliographique
Résumé
This research presents a novel feature selection framework-Chaotic Quantum Fruit Fly Optimization Algorithm (CQFOA)-designed to enhance Twitter sentiment analysis.CQFOA extends the standard Fruit Fly Optimization Algorithm (FOA) by incorporating two advanced mechanisms: (1) a chaotic mapping strategy to maintain population diversity and prevent premature convergence; and (2) quantum-behaved position updating using probabilistic rotation gates for global exploration.The integration of these strategies improves the algorithm's ability to handle the high dimensionality and the noise characteristic of Twitter data.CQFOA was applied as a feature selector prior to classification by Convolutional Neural Networks (CNN); Recurrent Neural Networks (RNN) and Recursive Neural Networks.Compared to traditional feature selection techniques-Particle Swarm Optimization (PSO); Genetic Algorithm (GA); Artificial Bee Colony (ABC); and the conventional FOA-CQFOA achieved higher performance across multiple evaluation metrics.In particular, average improvements were observed in accuracy (up to 94.13%); precision (96.84%); recall (97.24%); and F-measure (98.97%).These results were validated using 10-fold crossvalidation and assessed via paired t-tests, confirming statistically significant improvements (p < 0.05) over baseline methods.To ensure reliability, class distribution and data preprocessing strategies were rigorously monitored to mitigate overfitting and class imbalance.The proposed CQFOA framework demonstrates robustness in highdimensional noisy data environments and offers a reproducible pipeline for sentiment classification tasks in social media analytics.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».