ВИЗНАЧЕННЯ ЕФЕКТИВНОСТІ НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ АНАЛІЗУ ЕМОЦІЙНОГО СТАНУ КОРИСТУВАЧІВ У СОЦІАЛЬНИХ МЕРЕЖАХ

Анотація

У роботі представлено дослідження ефективності нейромережевих моделей для аналізу емоційного стану користувачів у соціальних мережах на основі текстових даних із Twitter, пов'язаних з COVID-19. Розглянуто моделі нейронних мереж: Convolutional Neural Network (CNN), CNN з оптимізатором Adam, Random Forest, Extra-tree, XGBoost та BERT. Для кожної з моделей були оцінені показники точності, повноти, F1-Score та помилкових класифікацій, зокрема True Positives, True Negatives, False Positives та False Negatives. Результати дослідження показали, що модель BERT продемонструвала найвищу точність та ефективність для класифікації емоцій, досягнувши точності 86%. Моделі CNN та CNN з оптимізатором Adam показали результат 83%, що є нижчим, ніж у моделі BERT, але вищим порівняно з іншими моделями. Моделі Random Forest, Extra-tree та XGBoost показали значно нижчі показники точності та повноти, що свідчить про обмежену ефективність цих моделей для розпізнаванні емоцій за текстовими наборами даних.