論文の概要: Sentiment analysis of texts from social networks based on machine learning methods for monitoring public sentiment

• arxiv url: http://arxiv.org/abs/2502.17143v1
• Date: Mon, 24 Feb 2025 13:34:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:55:10.350783
• Title: Sentiment analysis of texts from social networks based on machine learning methods for monitoring public sentiment
• Title（参考訳）: 公共の感情をモニタリングする機械学習手法を用いたソーシャルネットワークからのテキストの知覚分析
• Authors: Arsen Tolebay Nurlanuly,
• Abstract要約: 本研究では,リアルタイムソーシャルネットワークの世論モニタリングを改善するために,機械学習を利用した感情分析システムを開発した。 このシステムは、現実世界のシナリオでトランスフォーマーモデルを使用して最大80-85%の精度を達成した。 システムの性能は素晴らしいが、計算オーバーヘッド、データ品質、ドメイン固有の用語に関する問題がまだ残っている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A sentiment analysis system powered by machine learning was created in this study to improve real-time social network public opinion monitoring. For sophisticated sentiment identification, the suggested approach combines cutting-edge transformer-based architectures (DistilBERT, RoBERTa) with traditional machine learning models (Logistic Regression, SVM, Naive Bayes). The system achieved an accuracy of up to 80-85% using transformer models in real-world scenarios after being tested using both deep learning techniques and standard machine learning processes on annotated social media datasets. According to experimental results, deep learning models perform noticeably better than lexicon-based and conventional rule-based classifiers, lowering misclassification rates and enhancing the ability to recognize nuances like sarcasm. According to feature importance analysis, context tokens, sentiment-bearing keywords, and part-of-speech structure are essential for precise categorization. The findings confirm that AI-driven sentiment frameworks can provide a more adaptive and efficient approach to modern sentiment challenges. Despite the system's impressive performance, issues with computing overhead, data quality, and domain-specific terminology still exist. In order to monitor opinions on a broad scale, future research will investigate improving computing performance, extending coverage to various languages, and integrating real-time streaming APIs. The results demonstrate that governments, corporations, and social researchers looking for more in-depth understanding of public mood on digital platforms can find a reliable and adaptable answer in AI-powered sentiment analysis.
• Abstract（参考訳）: 本研究では,リアルタイムソーシャルネットワークの世論モニタリングを改善するために,機械学習を利用した感情分析システムを開発した。 洗練された感情識別のために、提案されたアプローチは、最先端のトランスフォーマーベースのアーキテクチャ(DistilBERT、RoBERTa)と従来の機械学習モデル(ロジスティック回帰、SVM、ネイブベイズ)を組み合わせる。 このシステムは、アノテーション付きソーシャルメディアデータセット上で、ディープラーニング技術と標準的な機械学習プロセスの両方を使用してテストした後、現実世界のシナリオでトランスフォーマーモデルを使用して、最大80～85%の精度を達成した。 実験結果によると、ディープラーニングモデルは、辞書ベースや従来のルールベースの分類器よりも顕著に優れており、誤分類率を低くし、皮肉のようなニュアンスを認識する能力を高めている。 特徴量分析では, 文脈トークン, 感情認識キーワード, 音声の一部構造が, 正確な分類に不可欠である。 これらの結果は、AI駆動の感情フレームワークが、現代の感情課題に対してより適応的で効率的なアプローチを提供できることを裏付けている。 システムの性能は素晴らしいが、計算オーバーヘッド、データ品質、ドメイン固有の用語に関する問題がまだ残っている。 広い範囲で意見を監視するため、今後の研究は、コンピュータ性能の改善、様々な言語へのカバー範囲の拡大、リアルタイムストリーミングAPIの統合について検討する。 その結果、政府、企業、そして社会研究者が、デジタルプラットフォーム上での公衆のムードをより深く理解したいと考えていることが、AIによる感情分析の信頼性と適応性を見出すことができた。

関連論文リスト

• Analysis of the Evolution of Advanced Transformer-Based Language Models: Experiments on Opinion Mining [0.5735035463793008]
  本稿では,最先端のトランスフォーマーに基づく言語モデルの意見マイニングにおける挙動について検討する。 私たちの比較研究は、フォーカスするアプローチに関して、プロダクションエンジニアがリードし、道を開く方法を示しています。
  論文  参考訳（メタデータ） (2023-08-07T01:10:50Z)
• On the Robustness of Aspect-based Sentiment Analysis: Rethinking Model, Data, and Training [109.9218185711916]
  アスペクトベースの感情分析(ABSA)は、ソーシャルメディアのテキストやレビューの背後にある製品やサービスの特定の側面に対して、特定の感情の極性を自動的に推測することを目的としている。 我々は、モデル、データ、トレーニングを含むあらゆる可能な角度からボトルネックを体系的に再考することで、ABSAの堅牢性を高めることを提案する。
  論文  参考訳（メタデータ） (2023-04-19T11:07:43Z)
• REDAffectiveLM: Leveraging Affect Enriched Embedding and Transformer-based Neural Language Model for Readers' Emotion Detection [3.6678641723285446]
  本稿では,REDAffectiveLMと呼ばれる深層学習モデルを用いて,短文文書からの読み手感情検出のための新しい手法を提案する。 コンテクストに特化してリッチ表現に影響を与え, リッチBi-LSTM+Attentionに影響を及ぼすタンデムにおいて, トランスフォーマーに基づく事前学習言語モデルを用いることで, リッチ表現に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-01-21T19:28:25Z)
• A Comparative Study of Data Augmentation Techniques for Deep Learning Based Emotion Recognition [11.928873764689458]
  感情認識のための一般的なディープラーニングアプローチを包括的に評価する。 音声信号の長距離依存性が感情認識に重要であることを示す。 スピード/レート向上は、モデル間で最も堅牢なパフォーマンス向上を提供する。
  論文  参考訳（メタデータ） (2022-11-09T17:27:03Z)
• Machine Learning For Classification Of Antithetical Emotional States [1.1602089225841632]
  本研究は,DEAPデータセット上でのベースライン機械学習分類器の性能を解析する。 ディープラーニングアーキテクチャによるパフォーマンス向上を活用して、最先端に匹敵する結果を提供する。
  論文  参考訳（メタデータ） (2022-09-06T06:54:33Z)
• Panning for gold: Lessons learned from the platform-agnostic automated detection of political content in textual data [48.7576911714538]
  異なるプラットフォーム間で政治的コンテンツを検出するために、これらの技術がどのように使用できるかについて議論する。 辞書,教師付き機械学習,ニューラルネットワークに依存する3つの検出手法のパフォーマンスを比較した。 この結果から,ニューラルネットワークと機械学習に基づくモデルによって達成されるノイズの少ないデータに対して,事前処理がモデル性能に与える影響が限定された。
  論文  参考訳（メタデータ） (2022-07-01T15:23:23Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Multimodal Emotion Recognition using Transfer Learning from Speaker Recognition and BERT-based models [53.31917090073727]
  本稿では,音声とテキストのモダリティから,伝達学習モデルと微調整モデルとを融合したニューラルネットワークによる感情認識フレームワークを提案する。 本稿では,対話型感情的モーションキャプチャー・データセットにおけるマルチモーダル・アプローチの有効性を評価する。
  論文  参考訳（メタデータ） (2022-02-16T00:23:42Z)
• A Brief Survey of Machine Learning Methods for Emotion Prediction using Physiological Data [0.974672460306765]
  本稿では,スマートフォンや生理データをリアルタイムに予測するための機械学習手法について検討する。 本稿では,正確な感情予測を実現するための機械学習手法の多様性を示す。 今後の作業では、以下の問題を考慮し、パフォーマンスを改善することができる。
  論文  参考訳（メタデータ） (2022-01-17T19:46:12Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。