Facebook帖子与相应的反应特征之间的关系是探索和理解的有趣主题。为了归档此目的，我们测试最先进的Sinhala情绪分析模型，用于数据集，其中包含数百万反应的十年僧伽罗柱。为建立基准和识别Sinhala情感分析的最佳模型的目标，我们还测试了同一数据集配置，其他深度学习模型迎合了情绪分析。在这项研究中，我们报告说，3层双向LSTM模型对于Sinhala情感分析的F1得分为84.58％，超越了当前的最先进的模型;胶囊B，只有设法获得82.04％的F1得分。此外，由于所有深度学习模型显示F1分数高于75％，我们得出结论，声称Facebook反应适合预测文本的情绪是安全的。
translated by 谷歌翻译
Facebook网络允许其用户通过情绪的类型学，通过类型学记录他们的文本的反应。因此，该网络占用，因此是注释情绪数据的素数数据集。本文采用数百万这样的反应，从十年的Facebook Post数据中源于斯里兰卡语境，以模拟旁观者对在线Sinhala文本内容的情绪检测的眼睛。建立了三种不同的情绪分析模型，考虑到有限的反应子集，所有反应和另一个产生正/负星评级值。然后计算并讨论这些模型在捕获观察者的反应时的功效。该分析表明，对于僧伽罗含量，反应的二元分类比其他方法更准确。此外，包含像反应的妨碍精确预测其他反应的能力。
translated by 谷歌翻译