新框架助力情感分析模型选择

研究人员开发了一个名为认知成对比较分类模型选择（CPC-CMS）的新框架，以帮助选择文档级情感分析的最佳分类模型。该框架利用专家知识为准确性、精确率、召回率和效率等各种评估标准分配权重。研究测试了几种基线模型，包括朴素贝叶斯、LSTM和ALBERT，发现在不考虑时间的情况下，ALBERT在三个数据集上通常表现最佳。然而，当考虑效率时，没有单一模型能持续优于其他模型。 AI

影响 该框架可以简化情感分析任务中最优AI模型的选择过程，有望提高自然语言处理应用的效率和准确性。

排序理由 该集群包含一篇学术论文，详细介绍了用于文档级情感分析的新框架和模型评估。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• ALBERT
• A Lite Bidirectional Encoder Representations from Transformers
• Analytic Hierarchy Process
• CPC-CMS
• Linear Support Vector Classification
• Logistic Regression
• Long Short-Term Memory
• Multi-Objective Optimization by Ratio Analysis
• Naive Bayes
• Random Forest
• Extreme Gradient Boosting

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →