論文の概要: Emotion Detection in Twitter Messages Using Combination of Long Short-Term Memory and Convolutional Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2503.20163v1
- Date: Wed, 26 Mar 2025 02:39:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-27 13:18:13.044993
- Title: Emotion Detection in Twitter Messages Using Combination of Long Short-Term Memory and Convolutional Deep Neural Networks
- Title(参考訳): 長期記憶と畳み込みニューラルネットワークを組み合わせたTwitterメッセージの感情検出
- Authors: Bahareh Golchin, Noushin Riahi,
- Abstract要約: この記事では、約4億2000万人のアクティブユーザーがいる最も人気のあるソーシャルネットワークの1つであるTwitterを使って、データを抽出する。
本研究では、教師付き学習とディープニューラルネットワークアルゴリズムを用いて、Twitterユーザーの感情状態を分類する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: One of the most significant issues as attended a lot in recent years is that of recognizing the sentiments and emotions in social media texts. The analysis of sentiments and emotions is intended to recognize the conceptual information such as the opinions, feelings, attitudes and emotions of people towards the products, services, organizations, people, topics, events and features in the written text. These indicate the greatness of the problem space. In the real world, businesses and organizations are always looking for tools to gather ideas, emotions, and directions of people about their products, services, or events related to their own. This article uses the Twitter social network, one of the most popular social networks with about 420 million active users, to extract data. Using this social network, users can share their information and opinions about personal issues, policies, products, events, etc. It can be used with appropriate classification of emotional states due to the availability of its data. In this study, supervised learning and deep neural network algorithms are used to classify the emotional states of Twitter users. The use of deep learning methods to increase the learning capacity of the model is an advantage due to the large amount of available data. Tweets collected on various topics are classified into four classes using a combination of two Bidirectional Long Short Term Memory network and a Convolutional network. The results obtained from this study with an average accuracy of 93%, show good results extracted from the proposed framework and improved accuracy compared to previous work.
- Abstract(参考訳): 近年,ソーシャルメディアのテキストで感情や感情を認識することが問題となっている。
感情や感情の分析は、文章中の製品、サービス、組織、人々、トピック、イベント、特徴に対する人々の意見、感情、態度、感情といった概念的情報を認識することを目的としている。
これらは問題空間の偉大さを示している。
現実の世界では、企業や組織は常に、自分たちの製品、サービス、またはそれに関連するイベントについて、人々のアイデア、感情、方向性を収集するツールを探しています。
この記事では、約4億2000万人のアクティブユーザーがいる最も人気のあるソーシャルネットワークの1つであるTwitterを使って、データを抽出する。
このソーシャルネットワークを使えば、ユーザーは個人的な問題、ポリシー、製品、イベントなどについて情報や意見を共有できる。
データは利用可能であるため、感情状態の適切な分類に使用することができる。
本研究では、教師付き学習とディープニューラルネットワークアルゴリズムを用いて、Twitterユーザーの感情状態を分類する。
モデルの学習能力を高めるために深層学習法を用いることは、大量の利用可能なデータのために有利である。
様々なトピックで収集されたつぶやきは、2つの双方向長短記憶ネットワークと畳み込みネットワークを組み合わせた4つのクラスに分類される。
本研究の結果は, 平均93%の精度で, 提案手法から抽出した優れた結果を示し, 従来よりも精度が向上した。
関連論文リスト
- Exploring Embeddings for Measuring Text Relatedness: Unveiling
Sentiments and Relationships in Online Comments [1.7230140898679147]
本稿では,様々なソーシャルメディアプラットフォームにおけるコメント間の感情的・意味的関係について検討する。
単語の埋め込みを使って文や文書のコンポーネントを分析する。
我々の分析は、オンラインコメントの相互接続性をより深く理解し、大きな相互接続脳として機能するインターネットの概念を調査する。
論文 参考訳(メタデータ) (2023-09-15T04:57:23Z) - Types of Approaches, Applications and Challenges in the Development of
Sentiment Analysis Systems [0.0]
知覚分析は自然言語処理と機械学習の重要な応用の1つである。
何百万ものコメントが毎日記録され、大量の構造化されていないテキストデータを生成する。
論文 参考訳(メタデータ) (2023-03-09T15:18:34Z) - Self-supervised Hypergraph Representation Learning for Sociological
Analysis [52.514283292498405]
本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。
まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。
第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-12-22T01:20:29Z) - ReDDIT: Regret Detection and Domain Identification from Text [62.997667081978825]
本稿では,Redditテキストのデータセットを,Regret by Action,Regret by Inaction,No Regretの3つのクラスに分類した。
以上の結果から,Reddit利用者は過去の行動,特に関係領域における後悔を表明しがちであることがわかった。
論文 参考訳(メタデータ) (2022-12-14T23:41:57Z) - How Would The Viewer Feel? Estimating Wellbeing From Video Scenarios [73.24092762346095]
情緒応答と主観的幸福感に注釈を付けた6万本以上のビデオを備えた大規模データセットを2つ導入した。
Video Cognitive Empathyデータセットには、微粒な感情応答の分布のためのアノテーションが含まれており、モデルが感情状態の詳細な理解を得ることができる。
Video to Valenceデータセットには、ビデオ間の相対的な快適性のアノテーションが含まれている。
論文 参考訳(メタデータ) (2022-10-18T17:58:25Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳(メタデータ) (2022-07-20T13:37:57Z) - A Comprehensive Review of Visual-Textual Sentiment Analysis from Social
Media Networks [2.048226951354646]
ソーシャルメディアネットワークは人々の生活の重要な側面となり、彼らの考え、意見、感情のプラットフォームとして機能している。
これらの感情を分析することで、ブランド評価、YouTubeの映画レビュー、ヘルスケアアプリケーションなど、さまざまな応用が明らかになった。
本研究では、ソーシャルメディア上に投稿された視覚的・テキスト的データを調査するマルチモーダル感情分析の分野に焦点を当てた。
論文 参考訳(メタデータ) (2022-07-05T16:28:47Z) - Accurate Emotion Strength Assessment for Seen and Unseen Speech Based on
Data-Driven Deep Learning [70.30713251031052]
本研究では,データ駆動型深層学習モデル,すなわちSenseNetを提案する。
実験の結果,提案した強度ネットの予測感情強度は,目視と目視の両方の真理値と高い相関性を示した。
論文 参考訳(メタデータ) (2022-06-15T01:25:32Z) - Detecting Ideal Instagram Influencer Using Social Network Analysis [0.0]
本論文は、現実のオンラインマーケティング戦略のためのソーシャルネットワーク分析(SNA)に焦点を当てている。
この研究は、ネットワーク内の最も中心的なノードを特定するための様々な集中度尺度を比較し、個々のユーザの拡散行動を理解するために線形しきい値モデルを用いて貢献する。
論文 参考訳(メタデータ) (2021-07-12T20:53:58Z) - Tweets Sentiment Analysis via Word Embeddings and Machine Learning
Techniques [1.345251051985899]
本論文では、感情分類のための特徴選択モデルWord2vecと機械学習アルゴリズムランダムフォレストを用いて、リアルタイムの2019年選挙Twitterデータに対する感情分析を行うことを目的とする。
Word2vecはテキスト中の単語の文脈意味を考慮し、特徴の質を改善し、機械学習と感情分析の精度を向上させる。
論文 参考訳(メタデータ) (2020-07-05T08:10:30Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳(メタデータ) (2020-02-05T11:10:44Z)
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。