Come può un modello a doppio canale capire le emozioni dei commenti dei video?

Hai mai notato i commenti che volano sopra i video su piattaforme come Bilibili? Quei messaggi, chiamati "danmu", scorrono in tempo reale e sono pieni di slang, emoticon e battute veloci. Analizzarli è una sfida per le intelligenze artificiali, perché le parole non sono sempre usate come nei libri di testo. Un nuovo studio ha creato un modello a doppio canale, chiamato ADCMix‑BiLSTM, per capire meglio queste emozioni.

Il trucco principale è passare dalle parole ai caratteri: così il modello cattura anche le abbreviazioni e i giochi di parole tipici dei danmu. Poi, il modello si divide in due canali. Il primo combina l’attenzione auto‑guidata con una rete neurale convoluzionale dilatata (ADCMix) e, su questa base, usa una BiLSTM con meccanismo di attenzione per cogliere il contesto. Il secondo canale serve a bilanciare eventuali bias, evitando che il modello si fissi su segnali fuorvianti.

Infine, un decoder multimensionale traduce le informazioni in diverse categorie di sentimento, distinguendo anche le sfumature più sottili. I test su due dataset hanno mostrato che il nuovo approccio supera i metodi precedenti di almeno 2 % in accuratezza e 3 % in F1‑score. In pratica, il modello riesce a distinguere meglio tra sentimenti simili, rendendo più affidabili le analisi dei commenti in tempo reale.

Il modello ADCMix‑BiLSTM si basa su una architettura ibrida che combina le potenzialità dell'attenzione auto‑regressiva con quelle delle reti convoluzionali dilatate. L'ADCMix (Attention‑Dilated CNN Mix) utilizza filtri convoluzionali con dilatazione crescente, consentendo di catturare dipendenze a lungo raggio senza aumentare eccessivamente il numero di parametri. Questo è particolarmente utile per i danmu, dove le espressioni colloquiali possono contenere pattern di lunghezza variabile. L'auto‑attention, invece, permette al modello di pesare dinamicamente le relazioni tra tutti i token della sequenza, evidenziando le parole chiave che influenzano maggiormente il sentimento.

Il canale BiLSTM con attenzione aggiunge una prospettiva sequenziale bidirezionale, elaborando il contesto sia da sinistra a destra che da destra a sinistra. L'attenzione applicata alla BiLSTM assegna un peso maggiore alle rappresentazioni nascoste più rilevanti per la classificazione finale. Il secondo canale, progettato come un encoder complementare, utilizza una struttura più leggera basata su embedding di caratteri e una rete feed‑forward a più strati. Questo canale funge da "controllo di qualità", mitigando i bias introdotti dal primo canale e fornendo una rappresentazione alternativa dei dati.

Il decoder multimensionale è implementato tramite una serie di testate dense, ciascuna responsabile di una dimensione di sentimento (ad esempio, gioia, tristezza, sorpresa, irritazione). L'uso di funzioni di attivazione softmax per ogni testata consente di ottenere probabilità indipendenti per ciascuna dimensione, riflettendo la natura multi‑label dei danmu. L'addestramento avviene con una loss combinata, che somma le cross‑entropy di tutte le testate, favorendo l'apprendimento simultaneo di più aspetti emotivi. I risultati sperimentali mostrano che l'integrazione di questi componenti porta a un miglioramento significativo rispetto a modelli basati esclusivamente su word‑embedding o su architetture monodimensionali, confermando l'efficacia di un approccio a doppio canale per l'analisi sentimentale di testi altamente colloquiali.