Naukowcy z arXiv przeprowadzili kompleksową ocenę algorytmów do analizy sentymentu na Twitterze, wykazując wyraźną przewagę sieci LSTM nad tradycyjnymi modelami uczenia maszynowego. System testowano na pięciu podejściach: regresji logistycznej, lasach losowych, naiwnym Bayes, gradient boostingu i głębokich sieciach neuronowych LSTM, mierząc ich zdolność do kategoryzacji tweetów jako pozytywne, negatywne lub neutralne.

Przeprowadzone na zbiorze danych z Kaggle badanie obejmowało standardowe etapy przetwarzania tekstu - tokenizację, lematyzację i eliminację słów pomocniczych. Wyniki wyraźnie wskazały na dominację architektury LSTM, która uzyskała 90,98% dokładności na danych treningowych i 80% na testowych, znacznie wyprzedzając konkurencyjne podejścia. Miara micro-average ROC-AUC potwierdza solidną zdolność modelu do rozróżniania między klasami sentymentu.

Znaczenie tej pracy leży w rosnącym znaczeniu analizy sentymentu wobec ogromnych wolumenów użytkowniczych treści generowanych na mediach społecznościowych. Skuteczne wyodrębnianie opinii i emocji z tekstów ma bezpośrednie zastosowanie w prognozowaniu trendów, monitorowaniu wizerunku publicznego oraz zrozumieniu nastrojów społecznych wokół bieżących zdarzeń. Wykazanie przewagi sieci LSTM sugeruje, że głębokie uczenie powinno być preferowanym podejściem w praktycznych aplikacjach анализа sentymentu na dużą skalę.