T. Nithya, M. Siva Ramkumar, Rajendran Thavasimuthu, T. Anitha, Arunkumar Munimathan, Anwar Khan, Quadri Noorulhasan Naveed, Shafat Khan, Amanuel Zewdie · Scientific Reports · 2025

Optimized hierarchical CLSTM model for sentiment classification of tweets using boosted killer whale predation strategy

Resumo em português

RESUMO A mineração de opinião tornou-se mais desafiadora devido à grande quantidade de material gerado por usuários nas redes sociais. As pessoas usam o Twitter (X) para coletar opiniões sobre produtos, avanços e leis. A análise de sentimento (AS) examina pensamentos, sentimentos e pontos de vista das pessoas sobre diversos tópicos. Tweets podem ser analisados para determinar a opinião pública sobre notícias, regulamentações, sociedade e personalidades. O sistema atual de AS apresenta desempenho preditivo insatisfatório e necessita de melhorias para aplicações comerciais instantâneas. A escassez de dados e a complexidade na configuração do modelo, que dificultam o uso de aprendizado profundo (DL), são as principais causas da baixa precisão e taxas de predição. Neste estudo, propõe-se blocos em camadas otimizados em Convolutional Neural Long Short-Term Memory (OTCNLSTM) com aprendizado de classificação para reconhecer emoções. O objetivo é classificar tweets como felizes ou tristes. O modelo TCNLSTM consiste em quatro blocos de treinamento para extração de características locais, projetados para captar emoções locais de forma hierárquica. A estratégia Boosted Killer Whale Predation (BKWOP) é implementada para encontrar o hiperparâmetro apropriado e seu conjunto de soluções, além de construir um modelo de rede neural estável. Este trabalho revisa experimentos de classificação emocional textual utilizando diversos modelos e métodos de sentimento. Para uma análise adicional, é realizado um estudo experimental comparativo usando o conjunto de dados Twitter do Kaggle. Os resultados indicam que o modelo OTCNLSTM teve desempenho superior em comparação com os demais modelos.

Resumo original em inglês

Abstract Opinion mining is more challenging than it was before because of all the user-generated material on social media. People use Twitter (X) to gather opinions on products, advancements, and laws. Sentiment Analysis (SA) examines people’s thoughts, feelings, and views on numerous topics. Tweets can be analyzed to determine public opinion on news, regulations, society, and personalities. The existing SA system has poor prediction performance and needs improvements for instantaneous commercial applications. The insufficient data and complexity of model configuration, which make deep learning (DL) difficult, are the main causes of low accuracy and prediction rates. Convolutional Neural Long Short-Term Memory (OTCNLSTM) optimal tiered blocks with classification learning are proposed in this research to recognize emotions. The objective is to classify tweets as happy or sad. The TCNLSTM model consists of four training blocks for local features. These blocks are designed to extract local emotions hierarchically. The Boosted Killer Whale Predation (BKWOP) strategy is implemented to find the appropriate hyperparameter and its solution set and build a stable neural network model. This research reviews textual emotional classification experiments utilizing various sentiment models and methods. To further analyze this research, a comparative experimental study using the Kaggle Twitter dataset is conducted. The results indicate that the OTCNLSTM model had superior performance compared to the other models.

Espécies citadas

• Orcinus orca · orca
  ?

  Nomes populares variam entre regiões e uma mesma palavra pode designar espécies diferentes. Confira sempre o nome científico: Orcinus orca.