Machine Learning for Sentiment Analysis of Imported Food in Trinidad and Tobago

要約

この研究では、トリニダード・トバゴの輸入食品に関連する Twitter データの感情分析のためのさまざまな機械学習アルゴリズム (CNN、LSTM、VADER、RoBERTa) のパフォーマンスを調査します。
この研究では、アルゴリズムの精度と効率の比較、各モデルの最適な構成、国民感情と輸入法案への影響を監視するためのライブシステムにおける最適化されたモデルの潜在的な応用という 3 つの主要な研究課題に取り組んでいます。
このデータセットは 2018 年から 2024 年までのツイートで構成されており、データ バランシングと新型コロナウイルス感染症のパンデミックが感情傾向に及ぼす影響を評価するために、不均衡なサブセット、バランスの取れたサブセット、時間的なサブセットに分割されています。
さまざまな構成でモデルを評価するために 10 回の実験が行われました。
結果は、VADER がマルチクラス感情分類とバイナリ感情分類の両方で他のモデルよりも優れていることを示しました。
この調査は、新型コロナウイルス感染症（COVID-19）の前後で感情傾向が大きく変化し、輸入政策に影響を与えていることを浮き彫りにしている。

要約(オリジナル)

This research investigates the performance of various machine learning algorithms (CNN, LSTM, VADER, and RoBERTa) for sentiment analysis of Twitter data related to imported food items in Trinidad and Tobago. The study addresses three primary research questions: the comparative accuracy and efficiency of the algorithms, the optimal configurations for each model, and the potential applications of the optimized models in a live system for monitoring public sentiment and its impact on the import bill. The dataset comprises tweets from 2018 to 2024, divided into imbalanced, balanced, and temporal subsets to assess the impact of data balancing and the COVID-19 pandemic on sentiment trends. Ten experiments were conducted to evaluate the models under various configurations. Results indicated that VADER outperformed the other models in both multi-class and binary sentiment classifications. The study highlights significant changes in sentiment trends pre- and post-COVID-19, with implications for import policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google