[논문 리뷰] A CNN-LSTM-based hybrid deep learning approach to detect sentiment polarities on Monkeypox tweets

Krishna Kumar Mohbey, Gaurav Meena외 2명|arXiv (Cornell University)|2022. 08. 25.

Poxvirus research and outbreaks인용 수 18

한 줄 요약

이 연구는 고양이두창 관련 트윗에서 긍정, 부정, 중립의 감성 극성(positive, negative, neutral)을 분류하기 위해 CNN-LSTM 하이브리드 딥러닝 모델을 제안한다. 국소적 특징 추출을 위해 컨volutional 레이어를 활용하고 시퀀스적 맥락 모델링을 위해 LSTM을 사용함으로써, 실제 트윗 데이터셋에서 94%의 정확도를 달성하여 기존의 기계학습 방법들을 능가하며, 건강 위기 상황에서의 대중의 감성 이해를 향상시킨다.

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.

연구 동기 및 목표

• 트위터에서의 사용자 생성 콘텐츠를 활용하여 고양이두창에 대한 대중의 감성을 분석하기 위해.
• 긍정, 부정, 중립의 세 가지 감성 극성(positive, negative, neutral)을 분류할 수 있는 하이브리드 딥러닝 모델을 개발하기 위해.
• 감성 탐지에 있어 전통적인 기계학습 접근 방식과의 성능 비교를 위해.
• 컴퓨터 기반 분석을 통해 사회적 반응을 드러내어 공중보건 인식 제고에 기여하기 위해.

제안 방법

• 컨volutional 신경망(CNN)을 활용하여 트윗 텍스트에서 국소적 n-그램 특징을 추출하는 하이브리드 딥러닝 아키텍처를 구성한다.
• 장기적 의존성과 시퀀스의 장거리 맥락을 모델링하기 위해 장기 단기 기억(LSTM) 네트워크를 사용한다.
• 텍스트 데이터를 밀도 있는 벡터 표현으로 변환하기 위해 워드 임베딩을 적용한다.
• 조기 정지 기법을 사용하여 종합적인 손실 함수와 Adam 최적화를 사용해 모델을 엔드 투 엔드로 훈련한다.
• 정확도, 재현율, F1-스코어와 같은 표준 지표를 사용해 모든 세 가지 감성 클래스에서 성능을 평가한다.
• 동일한 데이터셋에서 전통적인 기계학습 모델인 SVM, 나이브 베이즈, 로지스틱 회귀와의 비교를 수행한다.

실험 결과

연구 질문

• RQ1 실제 고양이두창 관련 트윗에서 CNN-LSTM 하이브리드 모델이 감성 극성 분류에 얼마나 효과적인가?
• RQ2 제안된 딥러닝 모델의 성능이 전통적인 기계학습 방법과 비교해 어떻게 다른가?
• RQ3 모델의 정확도, 재현율, F1-스코어는 긍정, 부정, 중립 감성 클래스 간에 어떻게 달라지는가?
• RQ4 이 하이브리드 아키텍처는 짧은 소셜미디어 콘텐츠에서 국소적 텍스트 패턴과 순차적 맥락을 얼마나 잘 포착하는가?

주요 결과

• 제안된 CNN-LSTM 모델은 고양이두창 트윗 감성 분류 작업에서 테스트 정확도 94%를 달성하였다.
• 모델은 긍정, 부정, 중립 트윗 모두에서 높은 F1-스코어를 보이며, 세 감성 클래스 간 균형 잡힌 성능을 입증하였다.
• SVM, 나이브 베이즈, 로지스틱 회귀와 같은 기존 기계학습 모델보다 정확도와 F1-스코어 모두에서 뛰어난 성능을 보였다.
• 워드 임베딩과 LSTM에 의한 순차적 모델링의 활용은 짧고 비공식적인 텍스트에서 미묘한 감성을 포착하는 데 모델의 능력을 크게 향상시켰다.
• 결과적으로 하이브리드 딥러닝 모델이 공중보건 사건 기간 동안 소셜미디어 데이터에서 감성 분석에 매우 적합하다는 것이 확인되었다.