Enhancing Thai Sentiment Analysis with WangchanBERTa and Instance-Class-Aware Dynamic Kernel Selection

doi:10.3390/app16115310

Enhancing Thai Sentiment Analysis with WangchanBERTa and Instance-Class-Aware Dynamic Kernel Selection

2026-05-01

0

PRE

AI

Jirapond Muangprathub

K

Kawattikul, Khanabhorn *

DOI：10.3390/app16115310

原文链接

原文求助

摘要

En 中文

社交媒体上的泰语情感分析仍具挑战性，由于缺乏明确的词语边界、非正式表达、代码混合、短文本长度以及严重的类别不平衡，特别是在WISESIGHT基准数据集中。尽管基于Transformer的模型（如WangchanBERTa）为泰语处理提供了强大的上下文表示，但使用固定卷积核的传统混合架构可能无法捕捉不同情感类别间的多样化局部语义模式。为解决此局限，本研究提出了WangchanBERTa with Instance-Class-Aware Dynamic Kernel Selection（WangchanBERTa-IC-DKS），一种新颖的混合框架，整合了上下文嵌入与多核卷积神经网络，并在实例和类别层面进行动态核选择。所提模型根据句语义和类别特定情感特征自适应确定核重要性，从而实现更有效的局部特征提取和改进的少数类识别。实验在WISESIGHT情感基准上使用四种核候选：[2, 3, 4]、[3, 4, 5]、[2, 3, 4, 5]和[1, 2, 3, 4, 5]。核候选[2, 3, 4, 5]表现最佳，在三种独立运行（使用不同随机种子）的平均宏观F1为63.93%。消融研究进一步表明，结合类别感知和实例感知的动态核选择相比固定多核CNN基线可提升平衡分类性能。所提模型在WISESIGHT数据集上超越先前最佳模型Parallel Hybrid 1.23个百分点，在40个泰语儿童故事数据集上超越1.36个百分点。这些发现表明，动态核选择在两个评估的泰语情感基准中比固定卷积核更有效，尤其适用于短、噪声大、类别不平衡的泰语文本。

Keyword:

Thai sentiment analysis

Thai social media texts

dynamic kernel selection

WangchanBERTa

instance-aware

class-aware

Enhancing Thai Sentiment Analysis with WangchanBERTa and Instance-Class-Aware Dynamic Kernel Selection

摘要

期刊

机构

引用论文