Treffer: BERT-based two-channel neural network model text emotion analysis.

Introduction: text emotion analysis, or sentiment analysis, is a crucial area in natural language processing (NLP) focused on identifying emotions within textual data. Challenges in this field include disappearing gradients, information loss, and the lack of contextual semantics. Method: to address these challenges, we propose a BERT-based model utilizing a two-channel neural network for enhanced emotion classification. The model transforms text into word vectors using BERT, which excels in capturing contextual information. The architecture includes Augmented Recurrent Neural Networksmutated Unidirectional Long Short-Term Memory (ARNN-Uni-LSTM) to extract local semantic features and capture long-range dependencies. Preprocessing involved tokenization and Word2Vec on publicly available text emotion datasets. The first channel employs ARNN for local feature extraction, while the second uses Uni-LSTM for broader context. Results: experiments conducted in Python demonstrated that our model outperformed traditional methods, achieving precision of 97,18 %, recall of 94,56 %, and an F1 score of 96,26 %. Conclusions: the BERT-based model shows significant promise for applications such as customer feedback analysis, social media monitoring, and mental health diagnostics, offering a foundation for advanced emotion recognition systems. [ABSTRACT FROM AUTHOR]

Introducción: el análisis de emociones de texto, o análisis de sentimientos, es un área crucial en el procesamiento del lenguaje natural (PNL) centrado en la identificación de emociones dentro de los datos textu. Los desafíos en este campo incluyen la desaparición de gradi, pérdida de información, y la falta de semántica contextual. Método: para abordar estos desafíos, proponemos un modelo basado en Bert que utiliza una red neuronal de dos canales para una mejor clasificación emocional. El modelo transforma el texto en vectores de palabras usando BERT, que sobresen en la captura de información contextual. La arquitectura incluye redes neuronrecurrentes aumentadas — memoria de corto plazo unidireccional mutada (ARNN-Uni-LSTM) para extraer características semánticas locales y capturar dependencias de largo alcance. El preprocesamiento involucrtokenización y Word2Vec en conjuntos de datos de emoción de texto disponibles públicamente. El primer canal emplea a ARNN para la extracción de características locales, mientras que el segundo utiliza Uni-LSTM para un contexto más amplio. Resultados: los experimentos realizados en Python demostraron que nuestro modelo superó a los métodos tradicionales, logrando una precisión de 97,18 %, recuerdo de 94,56 %, y una puntuación F1 de 96,26 %. Conclusiones: el modelo basado en Bert muestra una promesa significativa para aplicaciones como el análisis de retroalimentación del cliente, monitoreo de redes sociales y diagnósticos de salud mental, ofreciendo una base para sistemas avanzados de reconocimiento de emociones. [ABSTRACT FROM AUTHOR]

Copyright of Salud, Ciencia y Tecnología is the property of Fundacion Salud, Ciencia y Tecnologia and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)