Новый подход машинного обучения к анализу тональности в Twitter с использованием универсальной тонкой настройки языковой модели и метода опорных векторов

Детекторы тональности в Twitter (TSD) обеспечивают более эффективное решение для оценки качества услуг и продукции по сравнению с традиционными технологиями. Точность классификации и эффективность обнаружения TSD в значительной степени зависят от используемых методов классификации и качества входных признаков. Однако значительные временные затраты являются серьезной проблемой существующих методов машинного обучения, что создает трудности для предприятий, стремящихся преобразовать свои бизнес-процессы с помощью автоматизированных рабочих процессов. Методы глубокого обучения применяются во множестве реальных задач в различных областях, включая анализ тональности. Подходы глубокого обучения используют различные алгоритмы для извлечения информации из исходных данных, таких как тексты или твиты, и представляют ее в определенных типах моделей. Эти модели применяются для получения информации о новых наборах данных, которые еще не были промоделированы. Мы представляем новый эффективный метод анализа тональности на основе архитектур глубокого обучения, объединяющий универсальную тонкую настройку языковой модели (ULMFiT) с методом опорных векторов (SVM) для повышения эффективности и точности обнаружения. Этот метод представляет новый подход глубокого обучения к анализу тональности в Twitter, предназначенный для выявления отношения людей к определенным продуктам на основе их комментариев. Обширные результаты, полученные на трех наборах данных, показывают, что наша модель обеспечивает результаты уровня современных методов на всех наборах данных. Например, ее точность составляет 99,78% при применении к набору данных Twitter US Airlines.