image from unsplash
主題與關鍵概念分析
- 研究主題
- 短劇用戶評價的情感分析：基於騰訊“十分劇場”的短劇評論資料，研究不同深度學習模型在情感分類任務上的表現。
- 模型優化與對比：探索多種神經網路架構（LSTM、TextCNN、注意力機制等）及其組合，以提高不均衡資料的情感分析效果。
- 資料增強與預訓練模型的影響：分析資料增強（隨機刪除）和預訓練模型（BERT/RoBERTa）對模型性能的影響。
- 關鍵概念
| 概念 | 說明 |
| Word2Vec (CBOW) | 詞嵌入方法，將文本轉換為詞向量，作為模型的輸入特徵。 |
| LSTM/BiLSTM | 迴圈神經網路變體，用於捕捉文本序列的長期依賴關係。 |
| TextCNN | 卷積神經網路，提取文本的局部特徵（如n-gram模式）。 |
| 多頭注意力機制 (MHA) | 使模型關注不同位置的字詞關係，提升特徵提取能力。 |
| 殘差連接 (Residual Connection) | 解決深層網路梯度消失問題，提升模型訓練穩定性。 |
| F1-Score | 評估模型在不均衡資料上的綜合性能（精准率與召回率的調和平均）。 |
| 資料增強 (隨機刪除) | 通過隨機刪除部分資料增加樣本多樣性，可能影響精准率/召回率平衡。 |
| 預訓練模型 (BERT/RoBERTa) | 基於Transformer的大規模語言模型，直接提供高品質文本表示，但計算成本高。 |
- 研究總結
- 模型效率與效果
- LSTM與BiLSTM效果相近，但LSTM訓練更快。
- TextCNN + LSTM 組合比單一模型提升顯著（F1-Score +10%）。
- 加入 多頭注意力 可進一步提升性能（+1%），但計算成本翻倍。
- 殘差連接 能優化深層網路，使F1-Score再提高2%。
- 資料增強的權衡
- 隨機刪除資料可提高召回率（+10%），但精准率下降20%，需根據任務需求權衡。
- 預訓練模型的優勢與局限
- BERT/RoBERTa 顯著優於傳統方法（F1-Score +9%~12%），泛化性更強。
- 但計算資源消耗大，且 疊加複雜結構（如TextCNN/LSTM）反而降低性能，說明預訓練模型本身已足夠強大。
- 實際應用建議
- 若資源充足，直接使用BERT/RoBERTa可獲得最佳效果。
- 若需平衡效率，可採用 TextCNN + LSTM + 殘差連接 的羽量級組合。
- 資料增強需謹慎，避免過度犧牲精准率。
- 研究貢獻與未來方向
- 貢獻：系統比較了多種模型組合，驗證了預訓練模型在短劇評論分析中的優越性，並提出殘差連接等優化方法。
- 未來方向：
- 探索更高效的資料增強策略（如對抗訓練）。
- 研究輕量化預訓練模型（如ALBERT、DistilBERT）在短劇領域的適用性。
- 結合使用者行為資料（如觀看時長、點贊）進行多模態情感分析。
此研究為短劇行業的用戶回饋分析提供了可行的技術方案，並揭示了深度學習模型在文本情感任務中的優化路徑。
