利用深度学习提升旅游情感分析：一项针对社交媒体数据的综合性研究

《Current Issues in Tourism》：Enhancing tourism sentiment analysis with deep learning: a comprehensive study on social media data

旅游评论情感分析采用BERT-LSTM/BERT-BiLSTM混合模型，通过预训练语言模型捕捉词向量，结合循环神经网络处理序列特征，在基准数据集上达到96.17%精度，显著优于传统方法。

　　

摘要

情感分析在从游客评论中提取有价值的信息方面发挥着关键作用。现有的针对一般文本设计的情感分析技术在应用于旅游相关评论时往往效果不佳。本文提出了一种基于深度学习的创新方法来分析旅游评论。我们采用基于BERT的词嵌入技术来捕获每个预处理后的推文的向量表示。我们使用了三种常见的深度学习方法（BERT、LSTM和BiLSTM）来对旅游推文中的情感进行分类。因此，所提出的情感分析方法包括BERT以及两种组合方法：BERT-LSTM和BERT-BiLSTM。我们调整了这些深度学习方法的超参数，并通过评估精确度、召回率、准确率和F1分数来评估它们的性能。研究结果表明，所提出的BERT模型在基准数据集上的表现优于其他方法，达到了96.17%的精确度、96%的召回率和96%的准确率以及96%的F1分数。此外，其他提出的深度学习方法在上述指标上也优于之前的方法。这些结果证明了所提出方法在准确分类旅游相关推文中的情感方面的有效性。