Aprendizado de máquina e anotação de emoção econômica baseada em regras lexicais de enunciados em hinglish

Summary

Este estudo combina a estratégia baseada em regras com aprendizado de máquina e assistência especializada para anotar o texto em hinglish e inglês. Os dados são testados em 19.000 tweets com 81% de precisão e é muito mais barato do que fazê-lo manualmente. Pode ser útil para rastrear emoções durante uma crise.

Abstract

A anotação de emoções em linguagens mistas de código, como o hinglish (hindi-inglês), apresenta desafios únicos devido à complexidade linguística e às restrições de recursos. Este estudo apresenta uma estrutura híbrida de aprendizado ativo que combina regras lexicais, aprendizado de máquina e feedback iterativo de especialistas para obter anotação de emoções econômica e de alta precisão. Fundamentado em teorias psicológicas da emoção, incluindo a Teoria das Emoções Discretas e a Teoria da Avaliação Cognitiva, a estrutura emprega dicionários de emoções bilíngues (por exemplo, mapeando gussa e raiva para raiva), tokenização de subpalavras para termos compostos (por exemplo, divisão em ) e aprendizado ativo para priorizar amostras ambíguas. Avaliado em um conjunto de dados de 19.000 tweets Hinglish relacionados a guerras e conflitos, a estrutura alcançou 81% de precisão (pontuação F: 0,76) enquanto reduzia os custos operacionais em 40% em comparação com a anotação manual. As regras lexicais resolveram 89% das ambiguidades de troca de código e os refinamentos iterativos permitiram ganhos incrementais de precisão de 72% a 81%. A eficiência do sistema decorre da limitação do esforço humano a 73% do conjunto de dados, com pré-processamento automatizado de emojis, hashtags e gírias. Este estudo é baseado na hipótese de que a integração de métodos baseados em regras lexicais com aprendizado ativo e aprendizado de máquina pode aumentar a precisão da anotação de emoções no texto em hinglish, ao mesmo tempo em que reduz a rotulagem manual e o esforço geral de anotação.

Introduction

Quando dois ou mais idiomas são misturados em uma única linha ou fala, isso é chamado de linguagem mista de código. É comum em diálogos casuais como o hinglish. Existem várias maneiras pelas quais as emoções humanas podem ser compreendidas, e modelar computacionalmente uma série de declarações emocionais é anotá-las pelas pessoas que proferiram essas frases. Pode ser entendido em termos de níveis biológicos, fisiológicos, psicológicos e assim por diante. De acordo com cientistas como Roger Penrose, muitos fenômenos em nosso mundo são não computacionais, e cientistas como Wolfram consideram que tudo (todos os fenômenos) podem ser model....

Protocol

Esta seção também explica como a estrutura multimodal para anotação de 8 emoções foi construída. A seção começa com uma discussão sobre as propriedades do conjunto de dados, seguida pelos procedimentos subsequentes. Para uma melhor compreensão do procedimento de pesquisa, consulte a Figura 1.

Figura 1: Estrutura sistemática de anotação de emoções. A figura explica a emoção efetiva, a anotação de texto hinglish que combina aprendizado de máquina....

Results

A descoberta desta pesquisa sugere que a integração das regras lexicais com técnicas de aprendizado de máquina e aprendizado ativo oferece um caminho viável para aumentar a eficiência e a precisão da anotação de emoções em texto hinglish misto de código. Por meio de refinamento iterativo e sugestão de especialistas, a estrutura proposta foi capaz de alcançar reduções notáveis no esforço manual, mantendo o alto desempenho em todas as matrizes de evolução. Os resultados indicam potencial pa.......

Discussion

O conjunto de dados para este estudo foi selecionado usando uma combinação de anotação manual e aprendizado ativo. Inicialmente, 10.040 tweets em hinglish relacionados a guerra e conflito foram rotulados manualmente com oito emoções predefinidas. O conjunto de dados foi então expandido para 19.000 tweets usando uma abordagem semiautomatizada. O aprendizado ativo permitiu a intervenção seletiva de especialistas, reduzindo o esforço manual em 40%, mantendo uma alta precisão de anotação de 81% com um escore F de 0,76. Regra.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
texto rápido	IA do Facebook	N/A	Representação e classificação de palavras
Google Colab	Pesquise no Google	N/A	Ambiente Jupyter Notebook baseado em nuvem
Google Colab GPU/TPU	Pesquise no Google	N/A	Aceleração de hardware baseada em nuvem
Intel Core i5/i7 ou AMD Ryzen 5/7	Intel / AMD	N/A	Processador para execução local (se necessário)
Matplotlib	Código aberto	N/A	Biblioteca de visualização de dados
NLTK	Código aberto	N/A	Kit de ferramentas de linguagem natural para processamento de texto
NumPy	Código aberto	N/A	Biblioteca de computação numérica
NVIDIA GTX 1650 ou superior (opcional)	NVIDIA	N/A	GPU para tarefas de aprendizado profundo
Pandas	Código aberto	N/A	Biblioteca de manipulação de dados
Python	Fundação de Software Python	N/A	Linguagem de programação para ML e PNL
PyTorch	Meta IA	N/A	Estrutura de aprendizado profundo
RAM (mínimo de 8 GB, recomendado 16 GB)	Vário	N/A	Requisito de memória para tarefas de ML
Scikit-aprender	Código aberto	N/A	Biblioteca de aprendizado de máquina
Nascido no mar	Código aberto	N/A	Visualização de dados estatísticos
SpaCy	IA de explosão	N/A	Biblioteca de NLP de força industrial
Armazenamento SSD (mínimo de 256 GB, 512 GB recomendado)	Vário	N/A	Armazenamento para processamento de conjunto de dados
TensorFlow	Pesquise no Google	N/A	Estrutura de aprendizado profundo