深度学习驱动的孟加拉语情感分析：准确性与模型比较

本文主要探讨了基于深度学习的孟加拉语情感分析及其准确性评估，涉及到孟加拉语自然语言处理（NLP）、情感分析、深度学习算法、神经网络模型等多个关键领域。 在孟加拉语NLP中，情感分析是一个尚未得到充分研究的领域。传统的词典和规则基础方法，如孟加拉语文本情感得分（BTSC）算法，已经用于从大量文本中提取情感极性。然而，文章指出，使用深度学习（DL）方法在孟加拉语情感分析中尚未得到广泛应用。为此，作者提出了一种新的DL模型，该模型利用扩展的词典数据字典（LDD）来处理孟加拉语文本。 在预处理阶段，文本被转化为固定长度的词向量，这些向量是由预训练的Word2Vec模型生成的。Word2Vec矩阵被用作权重矩阵，以适应深度学习模型的嵌入层。文章还对多种深度学习模型进行了详细的比较和微调，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、门控循环单元（GRU）、注意力机制、胶囊网络（CapsNet）以及Transformer架构的双向编码器表示（BERT）。 实验结果显示，提出的新LSTM模型在执行情感分析任务时表现出高精度。此外，他们还测试了其他模型，如基于分层注意力的LSTM（HAN-LSTM）、基于动态路由的胶囊神经网络与Bi-LSTM的结合（D-CAPSNET-Bi-LSTM）以及BERT与LSTM的结合（BERT-LSTM）。这些模型分别实现了78.52%、80.82%和84.18%的准确率。 文章强调，社交媒体上的用户生成内容提供了大量信息，但需要有效的NLP工具进行处理。情感分析是实现这一目标的关键技术，它可以帮助从海量文本数据中提取有用信息并进行分类。近年来，NLP领域的研究者一直在努力通过文本挖掘来探索文本的特性，例如情感、极性和主观性。 通过这篇论文，我们可以了解到深度学习在孟加拉语情感分析中的潜力，以及如何通过微调和模型组合来优化性能。这些方法不仅对于孟加拉语，也对其他低资源语言的情感分析具有参考价值，为未来的研究提供了方向。