[論文レビュー] A CNN-LSTM-based hybrid deep learning approach to detect sentiment polarities on Monkeypox tweets

Krishna Kumar Mohbey, Gaurav Meena+2 more|arXiv (Cornell University)|Aug 25, 2022

Poxvirus research and outbreaksImmunology and Microbiology被引用数 18

ひとこと要約

本研究では、モンキーポックス関連のツイートに対して肯定的、否定的、ニュートラルな感情極性を分類するためのCNN-LSTMハイブリッドディープラーニングモデルを提案する。局所的特徴抽出に畳み込み層を、系列的文脈モデリングにLSTMを活用することで、実世界のツイートデータセット上で94%の精度を達成し、従来の機械学習手法を上回り、健康危機時における世論の理解を向上させる。

ABSTRACT

People have recently begun communicating their thoughts and viewpoints through user-generated multimedia material on social networking websites. This information can be images, text, videos, or audio. Recent years have seen a rise in the frequency of occurrence of this pattern. Twitter is one of the most extensively utilized social media sites, and it is also one of the finest locations to get a sense of how people feel about events that are linked to the Monkeypox sickness. This is because tweets on Twitter are shortened and often updated, both of which contribute to the platform's character. The fundamental objective of this study is to get a deeper comprehension of the diverse range of reactions people have in response to the presence of this condition. This study focuses on finding out what individuals think about monkeypox illnesses, which presents a hybrid technique based on CNN and LSTM. We have considered all three possible polarities of a user's tweet: positive, negative, and neutral. An architecture built on CNN and LSTM is utilized to determine how accurate the prediction models are. The recommended model's accuracy was 94% on the monkeypox tweet dataset. Other performance metrics such as accuracy, recall, and F1-score were utilized to test our models and results in the most time and resource-effective manner. The findings are then compared to more traditional approaches to machine learning. The findings of this research contribute to an increased awareness of the monkeypox infection in the general population.

研究の動機と目的

• Twitterからのユーザー生成コンテンツを用いて、モンキーポックスに対する世論の感情を分析すること。
• 肯定的、否定的、ニュートラルの3つの感情極性を分類できるハイブリッドディープラーニングモデルの開発。
• 感情分類のための従来の機械学習アプローチと比較して、モデルの性能を評価すること。
• 計算的手法を用いた分析を通じて、モンキーポックス流行に対する社会的反応を明らかにすることで、公衆衛生の認識を高めること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を用いて、ツイートテキストからの局所的n-gram特徴を抽出するハイブリッドディープラーニングアーキテクチャ。
• 長短期記憶（LSTM）ネットワークを用いて、ツイート系列内の系列的依存関係と長距離文脈をモデリング。
• テキストデータを密度ベクトル表現に変換するための単語埋め込みを適用。
• エポックの早期停止を伴う、カテゴリー交差エントロピー損失とAdam最適化を用いて、エンドツーエンドでモデルを訓練。
• 標準的な指標（精度、再現率、F1スコア）を用いて、3つの感情クラスすべてで性能を評価。
• 同じデータセット上で、SVM、ナイーブベイズ、ロジスティック回帰などの古典的機械学習モデルと比較。

実験結果

リサーチクエスチョン

• RQ1 実世界のモンキーポックス関連ツイートにおいて、CNN-LSTMハイブリッドモデルは感情極性分類にどの程度有効であるか？
• RQ2 提案されたディープラーニングモデルと従来の機械学習手法の間で、感情分類の性能にどのような差があるか？
• RQ3 モデルの精度、再現率、F1スコアは、肯定的、否定的、ニュートラルの各感情クラスでどのように変動するか？
• RQ4 ハイブリッドアーキテクチャは、短いフォーマットのソーシャルメディアコンテンツにおいて、局所的テキストパターンと系列的文脈の両方をどの程度適切に捉えられるか？

主な発見

• 提案されたCNN-LSTMモデルは、モンキーポックス関連ツイートの感情分類タスクで94%のテスト精度を達成した。
• モデルは肯定的、否定的、ニュートラルの3つの感情クラスすべてで高いF1スコアを示し、バランスの取れた性能を確認した。
• SVM、ナイーブベイズ、ロジスティック回帰などの従来の機械学習手法よりも、精度とF1スコアの両面で優れた性能を示した。
• 単語埋め込みとLSTMによる系列モデリングの活用により、短く非公式なテキストにおける微細な感情を捉える能力が著しく向上した。
• 結果から、ハイブリッドディープラーニングモデルが、公衆衛生イベント時のソーシャルメディアデータにおける感情分析に適していることが確認された。