مقایسه عملکرد مدل های زبانی برت و روبرتا در تحلیل احساسات توییتر در زبان انگلیسی

تحلیل احساسات در شبکه های اجتماعی به ویژه توییتر، به یکی از موضوعات مهم در حوزه پردازش زبان طبیعی تبدیل شده است. این مطالعه به مقایسه عملکرد دو مدل زبانی پیشرفته، برت و روبرتا، در تحلیل احساسات توییتر می پردازد. با استفاده از مجموعه داده Sentiment۱۴۰ که شامل ۱.۶ میلیون توییت برچسب گذاری شده است، هر دو مدل برای طبقه بندی احساسات آموزش داده شدند. پس از چهار دوره آموزش، برت همچنین هزینه پایین تری را نشان داد (۰.۱۲۸۱ در مقابل ۰.۱۹۳۸ برای داده های آموزشی). با این حال، تفاوت بین دقت آموزشی و اعتبارسنجی در برت (۳.۰۹%) بیشتر از روبرتا (۱.۳۴%) بود که می تواند نشان دهنده تمایل بیشتر برت به بیش برازش باشد. این نتایج نشان می دهد که هر دو مدل قادر به تشخیص موثر احساسات در توییت ها هستند، اما برت در این مطالعه خاص عملکرد بهتری داشته است. با این وجود، ثبات بیشتر روبرتا بین داده های آموزشی و اعتبار سنجی می تواند مزیتی برای کاربردهای عملی باشد. این مطالعه تایید می کند که مدل های زبانی پیش آموزش دیده می توانند با دقت بالایی احساسات را در متونکوتاه شبکه های اجتماعی تشخیص دهند.

کلیدواژه ها:

تحلیل احساسات ، برت ، روبرتا ، توییتر ، یادگیری عمیق ، پردازش زبان طبیعی