9、基于BERT的COVID - 19疫情推文情感分类方法

基于BERT的COVID - 19疫情推文情感分类方法

1. 引言

情感是基于个人不同情境或情绪产生的强烈感受，会影响决策、行为和思维。然而，由于文本缺乏语音或面部反应，确定文本内容的情感状态是一项具有挑战性的任务。情感检测因其日益广泛的应用而受到了众多研究人员的关注，其应用场景包括人机交互、人工智能助手、市场营销以及态度或个性检测等。

在COVID - 19疫情期间，长时间的封锁使得人们的情感状态成为了一个活跃的研究领域。据美国的一项调查预测，在封锁期间，在线社交媒体Facebook、Twitter和Linkedin的使用率将分别增长62.3%、34.4%和15.4%。为了分析疫情期间的情感流动，研究选取了Twitter上的英文推文，因为大多数推文是公开的。

此前已有不少关于情感分类的研究尝试，例如使用监督机器学习与SNoW学习架构进行情感分类、提出改进的潜在语义分析算法在ISEAR数据集上检测情感、利用情感词标签从推文中捕获精细情感类别等。但大多数研究使用手动特征提取进行特定情感分类任务，且模型决策未得到解释。

本文提出了一种采用LSTM和基于BERT的深度学习的迁移学习方法进行情感分类。该方法在ISEAR情感分类数据集上优于一些先进的情感检测方法，并且通过模型无关解释方法LIME说明了停用词和相关特征的影响。

2. 数据集

本研究使用了两个数据集：
- ISEAR数据集 ：包含被分为七种重要情感的文本，分别是愤怒、恐惧、内疚、厌恶、悲伤、喜悦和羞耻。该数据集由心理学家为ISEAR项目收集，共有7666个标注文本和7503个唯一文本，其数据分布如下表所示：
| 情感