Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   15 ,  No.   1 ,  Febr uary   20 25 , pp.  755 ~ 766   IS S N:  20 88 - 8708 , DO I: 10 .11 591/ij ece.v 15 i 1 . pp 755 - 766           755       Journ al h om e page :  http: // ij ece.i aesc or e.c om   An  im pr oved re ptil e searc h  algorit hm - bas ed   m achine le arning  for senti ment an alys i s       Nitesh  Su re j a 1 , Nandi ni  M .  Chaud ha ri 2 , J alpa Bh att 1 , T usha r  D e sa i 1 , Vruti  Pa ri k h 1 ,  Sonia  Pa nesar 1 ,    Heli  Su rej a 3 , Jahn av i  Kh ar va 1   1 Dep artm en t of  Co m p u ter  Sci en ce  an d   Eng in eering ,  Kri sh n a Scho o l of E m ergin g  T echn o lo g y  and  App lied  Research ,  D rs.  Kiran  an d   Pallav i Patel  Glob al Univ ersity ,  V ad o d ara,  I n d ia   2 Dep artm en t of  I n f o rm atio n  T echn o lo g y ,  Krish n a Scho o l of E m ergin g   Te c h n o lo g y  and  App li ed  Research ,  Drs.   Kiran  an d   Pallav i  Patel  Glo b al Univ ersity ,  Vad o d ara,   Ind ia   3 Dep artm en t of  Co m p u ter  Sci en ce  an d   Eng in eering ,  Bab aria  Ins titu te of  T echn o lo g y ,  Gu jarat  T echn o lo g ical Univ ersity ,  Vad o d ara ,  Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A pr   30, 202 4   Re vised  A ug 16, 2 024   Accepte d  Oct  1,   2024       The   rap id   grow th  of   mobile   t e chnol ogi es  has   tra nsformed   soc ia l   media ,   ma king  it   cru cial  for  expr essin g  em ot ions  and   thought s.  When  ma king   signifi c ant  de cis ions,  business es  and   gov ern me nts   ca n   b e nef it  from  under standi ng   p ubli c   opini on .   Thi s  infor ma t io n  ma k es  sent iment  ana lysis  vit al  for   under s ta nding   public   senti me n t   pola r i ty.  Thi s   study  deve lops   a  hyper   tune d   d e ep  learni ng   mo del  with   sw ar m  int e ll ig ence   and  ma ny  appr oac h es  for   senti me n t   an al y sis.  convo lut ion al  neur al  net wo rk  (CNN ),  bidi re ct ion al  encoder  r epr ese nt at i ons  from  tra nsfo rme rs  (BER T),  l ong  short - te rm  me mory  ( L STM),  CNN - LSTM,   BERT - LST M,  and  BERT - C NN   are   the   six  de ep   learni n g  mod el s  of   the  senti me n t   analysis  using   dee p   lea rning  wi th  rei nforc ed  l ea rn ing  base d  on  r ept ile  sea r ch  a l gorit hm  (SA - DLRLRSA)   mode l .   The   re pti le   s ea rch   algorithm,  an  e n hanc ed  sw arm   int ellige n ce  al gorit h m  (SIA ),   opt im i ze s  d ee p  learni ng  mode l   hyper   par amete rs .   Wor d2Vec   wor d  em b ed ding  is  used  to   conve r t  te x tual  inpu t  s eque nc es  to   rep rese nt at iv e  e mbe dding  spa ces .   Pre - traine d  W ord2Vec   e mbe d ding  is  al so   used  to   addr e ss   issue  of  u nbal an ce d   da tas et s.  Expe ri mental  resul ts  dem onstra te   th at  the   SA - DLRL RS A  mode l  works   best  with  a c cur acie s  o f  93. 1%,   94 . 7%,   96. 8%,   96 . 3%,   97. 2%,   and  98. 3%  uti lizing  C NN ,   LSTM,   BERT ,   CNN - LSTM,   BER T - CNN ,   and   BERT - L STM.   Ke yw or d s :   Deep l ear ning   M ac hin e lea rn i ng   Re inforceme nt  learni ng   Re ptil e search  al gorithm   Sentiment  anal ys is   So ci al  me dia   Sw ar m  i ntell igence   This   is an  open   acc ess arti cl e   un der  the  CC  BY - SA   l ic ense .     Corres pond in g  Aut h or :   Nite sh   Surej a   Dep a rtme nt of  Com pu te r  Scie nce  a nd   E ng i ne erin g,   Kr is hn a Scho ol of  E mer ging Tec hn ology an d A ppli ed  Re search ,  Dr s . Kira n  a nd   Pall avi Patel  G l ob al  U ni ver sit y   Vado dar a , Guj arat,  391410,  Ind ia   Emai l:   nm s ur ej a@gma il .co m       1.   INTROD U CTION   Re cent  interest   in  sentime nt  a nalysis  has  gro wn   due  to  it s  man y  us es.  O pi nio n  mini ng,  or   se ntime nt   analysis,  u se s  natu ral la ngua ge pr ocessin g and dee p  le ar ni ng to unc over  s ub je ct ive i nformat ion  a nd em otion a l   sta te s.  Se ntiment  a nalysis  de te rmin es   if  w ritt en  messa ge s  are   posit ive,   ne gative,   or  neu t ral   [ 1] .  In  rece nt   year s ,  s ocial   media  ha s   bec om e   vital   to   da il y  li fe.  Peopl e  ex pr e ss  t heir   feeli ngs  on  T witt er,  M et a  (formerly   Faceb ook),  I nst agr am ,  an d  oth e r  pu blic  platfo rms.  Th eref or e ,  so ci al   media  te xt  analysis  ma y  assist   unde rstan d  public  opinio ns   [2] .  B y  rev ie wing  c us to me r  re v ie w s,  bus iness  owners  can  ide ntif y  pro duct  impro veme nts.  Add it io nally,   po li ti cal  bod ie s  can use  sen ti m ent an al ys is t o creat e act ion pl ans   [3] .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   755 - 766   756   Sentiment  a nal ys is  (SA )  is  a  biggest  an d  ha rd est   ta s k  in  ar ti fici al   intel l igence  ( AI) .  T he   sy ste m  us es   arti fici al   meth od s   to   rec ogni ze  psyc ho l og i cal   inf ormat io n  incl ud i ng  at ti tud es,   pe rs pec ti ves ,  a nd  m oods  in  blogs,   ne ws   ar ti cl es,  and  s oc ia l  media  posts   [ 4] .  S ocial   media  a nalysis   re qu i res  man agin g  a nd  pro cessi ng   enorm ous  am ounts  of  co nten t.  Lar ge  am ounts  of  c on te nt  wer e  sh a red  and   ge ner at e d  instantl y,  re quirin g  eff ic ie nt  c onte nt  ma na geme nt .  The   c on te n t processi ng  ap proac h  must   al s o  be  c onside re d  beca us e  t he  c on te xts  wer e  not  sta ndar dized  li ke  the  pr e valent  da ta   [5] .  T his  work  pro poses   a  cutti ng - e dge   sentime nt  a nalysi s   method   us in g  s warm  i ntell igence   (SI)   a nd  de ep  le a rn i ng.   A n  upgra ded  rept il e  search   al go rithm   (RS A )  is   use d   with  six  dee p  le arn in g  m ode ls:   convo l utional   neural  netw ork  (C NN) ,  bi directi onal   enc od e r  re present at ion s   from  tra nsfo rm ers  (BERT ) ,  l ong  short - te rm  memor y  (L ST M ) ,  CN N - LST M ,  BER T - LS T M ,  a nd  BER T - CNN.   Re inforceme nt   le arn i ng  (RL )   fine - tu nes   al l  deep  le ar ning  model  hyperpa rameters   to   im pro ve  RS A   [6] ,  [ 7] .  The   W ord 2Ve c  w ord   em be ddin g  te c hniq ue   is  us e d.  T his   stu dy  a ddres s es  im balance d  dataset s   us in g  data   augmentat io n.   Fo ll owin g  pa r agr a phs  re view  seve ral  well - est ablishe d  de ep  le arn i ng  me thods  integ rate d  with   swarm intel li ge nce  (S I ) for se ntiment a nalysi s.    H a l a w a n i   e t   al .   [8]   u s e   H a r r i s   H a w k s   o p t i m i z a t i o n   a nd   d e e p   l e a r n i n g   f o r   s e n t i m e n t   a n a l y s i s .     T h e   a u t o m a t e d  s e n t i m e n t   a na l y s i s   i n   s o c i a l   m e di a   u s i n g   H a r r i s   H a w ks   o p t i m i z a t i o n   w i t h  d e e p   l e a r n i n g   ( A S A S M - H H O D L )   m o d e l   h a d   8 4 . 2 5 % ,   9 5 . 5 0 % ,   a n d   8 8 . 7 5 %   a c c u r a c y   o n   S e n t i m e n t 1 4 0 ,   T w e e t s   A i r l i n e ,   a n d  T w e e t s   s e m i n a l   d a t a s e t s .   E l e c t r o e n c e p h a l o g r a p h y   ( E E G )   s i g n a l s   w e r e   u s e d   t o   c r e a t e   a n   e m o t i o n   r e c o gn i t i o n   s y s t e m   i n   s t u dy   [9]   u s i n g   t h e   S h a n g h a i   J i a o   T o n g   U n i v e r s i t y   ( S J T U )   d a t a s e t .   B i n a r y   m o t h   f l a m e   o p t i m i z a t i o n   ( B M F O )   s e l e c t e d   f e a t u r e s   a n d   C N N   c l a s s i f i e d   t h e m .   T h e   a l g o r i t h m   w a s   95 . 0 0 %   a c c u r a t e .   A u t h o r s   d e s i gn e d   a   h y b r i d   t w e e t   s e n t i m e n t   a n a l ys i s   a l g o r i t h m   i n   [ 1 0 ] .   T u n i c a t e   s w a r m   a l g o r i t h m   ( T S A )   i m p r o v e d   s c a l a b i l i t y   a n d   p r o c e s s i n g   s p e e d   i n   t h e   e x p e r i m e n t .   S i m ul a t i o n   a n n e a l i n g   ( S A )   a n d   b i t w i s e   o p e r a t i o n s   a r e   u s e d   i n   t h e   h y b r i d   H H O   m e t h o d   t o   s o l v e   l o c a l   op t i m a   i n   t h i s   w o r k .   T h e   m o d e l   h a d   9 6 . 3 7 %   p r e c i s i o n .   P a r t i c l e   s w a r m   o p t i m i z a t i o n  ( P S O ) ,  g e n e t i c   a l g o r i t h m s   ( G A ) ,   a n d   d e c i s i on   t r e e   ( D T )   c l a s s i f i e r   w e r e   u t i l i z e d   i n   r e f e r e n c e   [11] .   The  meth od  ha d  90.00%  pr eci sion .   G A,   PSO,  a nd  deci sion   t rees  were  us e d  to   crea te   a  hybri d   Twitt er  s pam  detect ion  sy s te m  in   [ 12] .  The y  c reate  over   600  mil li on   tw eet s  an d  e xtrac t  at tribu te s  t o  detect   sp am   in   real   ti me  us in g  unif or m  resou rce  l ocato r  (U RL )  secur it y.  The   hybri d  G A - PS O - DT   meth od  is  over   90.00%  accu r at e.  A  dee p  le arn i ng  m odel   na med   bi directi onal   lo ng  sho rt - te rm   mem ory  with  te xt   conv olu ti onal   sel f - at te ntio n  ( Bi LSTM - TCS A)   was  de velo ped  f or  sho rt  te xt  sentime nt  analysis  i n   [13] .  T his   model  us e s  bi di recti on al   lo ng  sh ort - te r m  me mory  (BiLST M ) ,  te xt  c onvo luti on al   neural  netw ork  ( Text CNN ) ,  and  s el f - a tt ention.  E nhance d   impro ved   pa rtic le   swa rm  opti miza ti on   (IPS O)  opti mize d  the  hype rp a ram et ers .   Using  a   ge ne r at ive  ad versari al   netw ork   ( G AN),   a  la r ge  a moun t   of  upda te d  te xt  was   cr eat ed,   im pro vi ng  the  model’s   resil ie nce.  Af te r  processin g,  the  Bi LSTM   mod el   yielded   gl obal   sema ntic  insig hts  a nd  94. 59%   accurac y  on  th e  hote l  re view s  dataset .  A rabi c  T witt er  se ntiment  a nalysis  us in g  PSO  a nd  dee p  le ar ning  (DL )   was  pr e sente d  in   st udy   [14 ] .   The   bi directi on al   gate d  rec urren t  unit   (Bi GRU )   cl assifi e r  cl assifi es  at ti tud es .   Qu a ntum  P SO   (Q P SO)  opti mize s hy perpara mete rs.   Hybr i d - flash   bu tt er fly  opti miza ti on   with   dee p  le ar nin g - based  sent iment  anal ys i s  [15 ]   wa s  dev el op e d.   O n  the  Ca non  da ta set ,  hybr i d  f lowe r  bee  op ti miza ti on   with   deep   le ar ning   sentime nt  an al ys is   (H FB O - DL SA)  ha d  97. 66%  pr e ci sio n.   A n  inno vative  s of t war e  te c hn i que  for  anal yzin g  em oji  emotion s  was   dev el op e d  in   [ 16] .   Vi deos  a nd  ima ges   are   noise - filt ered   fir st.  Jie bas   vo ca bu la ry  wa s  e xp and e d  by   seg m enting  En glish  te xt  with  e mo ji   a nd  i nter net  sla ng .  E m ojis  sta rted   as  te xt.  A  recurr ent  ne ur al   net work  (R NN )   cl assifi es  emot ion s  a s  po sit ive,  e xtre mely  po sit ive ,  neu tr al ,  ne gative,  a nd  ve ry  ne gat ive  us i ng  the  fu z z y  bu tt er fly  opti miza ti on   (F B O)   al gorithm .   This  cat e gori zat ion   us es  L STM.  T he  re comme nded   s entime nt  analysis  m od el   outpe rforms  c urren t  meth ods .  P rod uct  re vie w  se ntiments   a re  cat eg ori zed  us in g   t he  a dapt ive  par ti cl e gre y w olf o ptimi zer  with  deep le ar ning  base d  se nt iment anal ys is   (APG W O - DL SA )  in   [ 17] .   The  APG WO - DLSA  model  ob ta ine d  94. 77 %  accu rac y  on   the  C PAA  dat aset   an d  85. 31%  on   the  AP  dataset .  Alza qe bah   et   al.   [18 ]   present   a n  i mpro ve d  sal p  swarm   meth od   ( SS A)  f or  A ra bic  sentime nt  analysis  featur e  selec ti on. Wi th  80. 00% accu racy, th e SS A  outpe r f ormed  t he  P SO   an d  gr e y wo lf   op ti miza ti on (GW O) .  M as hr a qi  a nd   Halawa ni   [ 19]   co ns tr ucted  drag onfly   opti m iz at ion   with   de ep  le ar ning  e nab le d  Ar a bic   tweet   sentime nt  a nal ys is .  T he  te r m  f reque ncy - i nv e rse  docu m ent  f reque ncy  (TF - I DF)  m odel   ge ne rates  featur e  vecto rs.   Atte nt ion - base d  bid i r ect ion al   lo ng  s hort - te r m  me m ory  ( ABL ST M)  cl assifi es  sen ti ment.   Diff e re ntial  flo wer  opti miza ti on   (DFO )   opti mize s  A BLSTM   hype rp a rameters   la st.  O n  the  se mEv al 2017  da ta set ,     the   dif fer e ntial   flow e r  opti miza ti on   with   deep   le ar ning  sentime nt  analysis  a nd   at te ntion   te ch niq ue     (D F O DL - SAA T)   m odel   is  92. 00%  accu rat e.  Lo g  te r m  f r equ e nc y - base d  modifie d  in ve rse  cl ass  fr e quenc y  (LFMI )  was  use d  to  e xtract  featur e s  in   st udy   [ 20] .  T he  f eat ur e  was   c hose n  via  Le vy   fligh t - base d  may fly  op ti miza ti on.  The  sel ect ed   data  is  use d  t o  bu il d  the  e nh a nce d  local   searc h  w hale   opti miza ti on - base d   impro ved   l oc al   search  w ha le   op ti miza ti on   with  l ong  short - te r m  memor y  ( IL W - L ST M )  m od el .  The    ILW - LS TM m et hod has  97%  pr e ci sio n.   I n  [21] , a  s warm int el li gen ce al gor it hm  call ed  s oc ia l spider al gor it hm   (S S A)  is   us e d  for  t he   sentime nt  a nalysis   within   T witt er  data.  Decisi on  t re e,  n aï ve   B ay es,   S V M ,   an d  K N N  a re   the  oth e r  cl ass ifie rs  us e d  in  t his  ap proac h.   SSA   has  pro duced  ve ry   good  res ults  in  c ompa rison  with   oth e r   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       An  i mp r ove d  r eptil e sear c h  al go rit hm - base d   m ach i ne  le arn ing  f or  se ntime nt an alysis   ( Ni te sh   Surej a )   757   cl assifi ers.   I n  [ 22] ,  a n  op ti mi zat ion   ap proac h  with  a nt  li on  op ti miza ti on  ( ALO)  a nd   mo t h  flame  opti miza ti on  (MFO)   we re  de sign e d  f or  th e  hate   s peec h  analysis   pr ob l em.  The   a ppr oach  ac hieve d  acc ur ac y  val ue   w a s   92.1% a nd 90.7%  with  AL O, an d MF O resp ect ively.   The  remai ning   sect ion s   of   t he   pa per  are   or gan iz e d  i n  the   f ollow i ng  ma nn e r:  sect io n  2  outl ines  the   pro po se d  senti ment  a naly sis  us in g  dee p  le a rn i ng  wit h  rein forced   le ar ning  base d  on  re pt il e  search   al gorith m   (S A - DLRLRS A)  m od el .   Sect ion   3  pro vid e s  a  com prehe ns i ve  ov e r view  of   the  perf or ma nc e  eval uation  of  the  pro po se d  a ppr oach. Fi n al ly,  s ect ion   4  se rv e s  as the  conclu di ng   sect ion o f  t he  e ntire  work.         2.     M ATERI AL  AND ME TH ODS    This  st udy  intr oduces   a  ne w  SA - DLRLRS A  model  t o  cl a ssify  s ocial   me dia  se ntiments.   S ocial   me di a   te xt  is  pr imari ly  trans forme d  into  us e fu l  da ta   by   S A - DL RLR SA .  T he  SA - DLRLRS A  ap proac h  re du ce s     data - pre - proc e ssing - de pe nde nt lan gu a ge p r ocessin g wit h Wor d2Vec  w ord  em beddin g.       2.1.     Prep ar at i on   of  d ata   Data  prepa rati on   rem oves  unwan te d  an d  no isy  data.  This  study  incl ud e s   pr e - pr ocessin g  ta sk s  su c h  as,  pe rfo rming  to ke nizat ion  to  co nvert  t ext  into  a   w ord  li st,  strea mli nin g  S A  via  minimi zi ng  r oot   proliferati on,  doin g  case  c onve rsion,  perfor ming   punct uation  r em oval   fro m  the  te xt,  performin g  st op   words   rem ov al   f r om   the  te xt.  Ne ura l  networ k - base d  nat ur al   la ng uag e  proces sin g  ( NLP)  m ode ls  are  popula r  du e  to   their acc ur ac y.   Howe ver, m os t  N LP  tech niqu es p e rform  poorl y on la r ge  dat aset s and r e quire w ord  e m beddin g  for   te xt ual  da ta set s.  To  im pro ve  s ys te m  performa nce  a nd   proce ssin g  sp ee d,   we  use d  Wod 2V ec   wor d  embe dd i ng.   Si x  dif fer e nt   dee p  le a rn i ng  models  s uc h  as   CNN   [23] ,   LST M   [ 24] ,   BER T   [ 25] ,   C NN - L STM ,   BER T - LST M ,   and BER T - C N N  a re  us ed  in  t his stu dy to  ac cur at el y cl assif y  se ntiments  on s ocial  me dia.       2.2.    Hyper p ar am eter   t unin g  usin g re pt il e  sea rc h  algorit hm   An  im prov e d  rep ti le   sear ch   al gorithm  (RS A)  adj us ts  th e se  m od el s   hy perpara mete rs   to  im prov e  cl assifi cat ion .   The   RSA   al go rithm,   pr ese nte d  by  a bual iga h  mimi cs   the   hu nting  beh a vi or   of   cr ocodile s  in  the   wild   [7] .  Cr oc od il es  m ay  hu nt  on  la nd   a nd   in  wate r  as  a mphibian s.  T he   basic  RS A  al gorithm  co ntains  th ree   ste ps .     2.2.1. Ini tializ at i on   p hase   The  sta rting   s ol ution   of  the   RSA  is  pro du ced  rand om ly   thr ough  the   a pp li cat io n  of   t he  e qu at i on     1 =    +    × (  −  ) .   In   this  set ti ng ,  1   represe nts  the  it h  sta rtin g  in div id ual,   wh e reas   LB ound   a nd  U Bo un d   ref e r  t o  the   l ow e r  a nd  uppe r  li mit s,  respec ti vely.   Also,  it   de note s  the   c urren t  it erati on  c ount,   IT   re pr ese nts t he  ma xim um i te rati on cou nt.     2.2.2. E ncir cl ing  ph as e  (expl oratio n )   Croc od il es  walk  hi gh  an d  wide  du rin g  gl obal   search .  Cu rrent  num ber   of   it erat ion s  deter mines   RS A   search   strat eg y.   RS A  walks   high  w hen   IT   is  0.2 5  or  le ss.  T he  RS A   sprawl  walks   w hen  it   is  le ss  tha n    0.25 ti mes the   IT   or lar ger  t ha n  it . T he foll owin g  mat hema ti cal  mo dels  de scribe t he  m ec han is m:     + 1 = {   − × −  ×  ,  ≤  4                                             ×   ×  ×  ,  ≤  4         >  4   (1)     =   ×    (2)     =   −    +   (3)      = 2 × 1 × ( 1 − 1  )   (4)      = +  − (  )   × (  −   ) +   (5)     =   1   ∑ = 1   (6)     w he re,       repres ent  the   c urren t   best   so l utio n,  α   is  a   co ns ta nt   of  0.1,  co ntr ols  e xp l or at io n  rate,       is  a   rand om ly   sel e ct ed  i nd i vidua l.  T o  a void   th e  de nomi nator  f rom   bei ng  z ero,  t he  re qu i r ed   mi nimal  va lue  is   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   755 - 766   758   denoted   as   ε .  T he  1   is  a   ra ndom  numb e r  fro m  - 1  to   1.  T he   co ns ta nt   β   is   s et   to  0.1  a nd,      is  a  0 – 1  ra ndom   numb e r.   The  huntin g  operato r  in  the   ℎ   so l ution   is  de no te d  a s    w hich  is  cal culat ed  us in g  ( 2).  Ev olu ti on a r y  s ense  ( E VS )   is   a  rand om   rati o  betwee n  [ 2,   - 2]  desc ribe  t he   pro ba bili ty  of  decr easi ng  va lues  th r oughout  the   it erati on s,  cal c ulate d  by   (4).   Bi t  cor res pond ing   to   the  difference  betwee n  the  posit ion   of   t he  be st - obt ai ne d  so luti on  a nd  th e  posit ion   of   t he  c urren t  s olut ion ,  cal c ulate d  by  (5).   M   sta nd s   to  the   mea n  posit io ns   of   t he  ℎ   so luti on,  comp uted b y (6).     2.2.3 .   Hun tin g  ph as e  (expl oi tation )   I n  R S A ,   c r oc o di l e s   us e   t w o  s t r a t e gi e s   f or   f or a gi n g:   hu nt i ng   c o or di na t i on   a nd   c oo pe r a t i on .   W he n     it   < 0 . 75    a nd   it   ≥ 0 . 5    ,   th e   R S A   pe r f or m s   h un t i ng   c o or di n a t i on .   W he n   it   <    a nd   it   ≥ 0 . 75  ,   a   hu nt i n g   c oo pe r a t i on   s t r a t e gy   i s   e m pl o ye d  by   t he   R S A .   T he   po s i t i on   u pd a t i ng   i n  t he   h un t i ng   ph a s e   i s   do ne   a s   ( 7 ) :      + 1 = {   − ×  ,  ≤  4       >  2                                             × × −  ×  ,  ≤          > 3  4   (7)     RSA  gen e rates   the  init ia l  popu la ti on  ra ndoml y  in  t he  sea rch   s pace  first   and  the n  ch ooses  diff e re nt  search   strat egies  de pe nd i ng   on  the  num ber   of   it era ti on s.  T he  ps e udoc od e  for  th e  RSA  is  sho wn   i n  F ig ur e  1.   T he   RSA  imp r ov es   cl assifi er   eff i ci ency   with  a   fitness  f unct ion.  It  assig ns   good - perf or mi ng   s olu ti on s  a   valu e   gr eat er  tha n  ze ro. T he fit ness funct io n used i n  this  scena rio   was red ucin g  c la ssific at ion  e r ror rat e.      (  ) =                    ∗ 100     (8)       1   In i t i al i ze R SA   p ara m et er s ,  crea t e i n i t i a l  p o p u l a t i o n  ra n d o m l y   2   W h i l e   i t   <  I T   3        Cal cu l a t e t h e F i t n e s s   o f eac h  s o l u t i o n s   4      Fi n d  t h e Be s t   s o l u t i o n   s o  f ar   5      U p d a t e t h e  E V S   u s i n g   (2 ).   6         Fo r (i = 1  t o   N )    7            Fo r (j = 1 t o   N )   8                Cal cu l at e  ,  B ,  R   u s i n g   (3 ),  (4 ) a n d  ( 6 )   9                U p d a t e P o s i t i o n  of c ro c o d i l e  u s i n g   (1 ) t o  ( 8 )   10          E n d  F o r   11   it   =  it   +  1   12   E n d  W h i l e   13   Ret u rn   t h e b es t  p o s i t i o n  a n d   fi t n es s     Figure  1. Pse udoc ode  of the  RSA al gorithm       2.3.    Rein f orc ement  l e arnin g   Re inforceme nt   le arn in g  has   fou nd   e xten s ive  ap plica ti on   in  var i ous  fiel ds   for  probl em - so l ving.   Re inforceme nt  learni ng   (RL)   is base d on  t he  idea that a n  a ge nt  cha nges   th e stat e o f  the e nv i ronme nt  by   act ing  on   it   a nd   rece ives  a  re ward   base d  on  t he   resu lt s   of  t he   act ion .  The  t wo   disti nct  ki nd s   of  rei nforce ment   le arn in g  (RL)  are  val ue   a nd  po li cy - based  le arn i ng.  Q   le arn i ng   ( QL)   is  a  value - ba sed   RL  meth od.  It   is  a   model - f ree,   w hich   mea ns  th at   the   age nt   le arn s   how   to   m ake   the   ri gh t   c ho ic es   in   a   M a rko vian   domai n   [ 26] .  The  a gen t  perf orms  the  act io n  w it h  the  highest  ex pected   Ql   valu e  duri ng  le ar ning.  one - ste p  Q  le ar ning  is   a  very   sim ple  ty pe  of  Q   le ar ning.   I n  this,   Ql   va lue  is   c hange d  i n  a  sin gle  st ep  acco rd i ng  t o  t he   sta te - act ion  pair.   This  wor k  em ploys  a   one - ste p  Q  le ar ning   method ology.  Each  sta te - ac ti on  pai rs  rew a r d  updates  t he  Q  ta ble   con ti nu ously  usi ng (9).      (  ,  ) ← ( 1 −  )  (  ,  ) +  (  + 1 +      (  + 1 ,  + 1 ) )     (9)     The  s ymb ols    an d  Lr   de no te   the  disc ount  f act or   a nd  rate  of   le a rn i ng,  res pecti vely .  Bot h  nu mb e rs  a re  within   the  range  of   0  to  1.   T he   (  ,  )   ref e rs  to  the  Ql   va lue  obta ined  by  pe rformi ng  a ct ion      in  the  current  sta te    .  O n  t he  oth e r  hand,    (  + 1 ,  + 1 )   re pr ese nts  t he  hig he st  antic ipat ed  Ql   val ue  i n  the  Q   ta ble   wh e n  exec utin g  act io n   + 1   in  sta te    + 1 .  It  is   cr ucial   to   note   t hat  a n  inc reased   rate  of  le ar ning  (  )  pro mp t s   the  al gorithm  to  acq uire  knowle dge  f rom  the  antic ipate d  Ql   value ,  w he reas  a  dec rea sed  rate  of   le a rn i ng  prom pts  the  al gorithm  t o  capi ta li ze  on   the p r evio us   Ql   valu e.  The refore ,  t he  rate of   le ar ni ng   is used   t o  s trike  a   balance  betwe en  util iz ing   ex plo it ing  kn ow l edg e   an d  e xp l or i ng   ne w  op port un it ie s.  Q   le arn i ng   ps e udo - cod e   is   sh ow n  i n  Fig ure  2.  Q   le a rn i ng  ra ndom l y  a s sign s   values   to   the   Q  a nd  re w ard  ta bles .  A   st at e  is  the n  ra ndoml y  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       An  i mp r ove d  r eptil e sear c h  al go rit hm - base d   m ach i ne  le arn ing  f or  se ntime nt an alysis   ( Ni te sh   Surej a )   759   chosen  by  the   al gorithm.  A s  per   li ne s  4  and   5,   t he  al gorith m  ma xim iz es  the  sta te s  fu t ur e  r ewa rd.  This   modifie s th e Q t able,  rew a rd t able, a nd n e w st at e.       1   In i t i al i ze  Q - t a b l e a n d   rew ar d   t ab l e  w i t h  ra n d o ml y   2   Ch o s e r an d o m s t a t e     3   W h i l e ( T erm i n at i o n  c ri t eri a n o t  m et )   4       Ch o o s e t h e b es t  ac t i o n      fo r t h e c u rre n t   s t at e           fro m  Q   t a b l e   5       E x ec u t e t h e ac t i o n   an d  t h e re w ar d    + 1   6       G et  t h e  n e w  s t a t e    + 1   7       U p d at e  Q   t a b l e  u s i n g  (9)   8         ←    + 1   9     E n d  W h i l e                     Figure  2. Pse udoc ode  of the  Q  le ar ning al gorith m       2.4.    The  devel op men t of t he  proposed  S A - DLRL RSA   2.4.1.   M ot i vat ion   The  t yp ic al   R SA   te c hniq ue  fin ds   s olu ti ons   thr ough   ex pl or at io n  a nd  e xploit at ion.  Indi viduals  us e   eff ic ie nt  an d  be ll y - wal king  m et hods  to   ex pl or e   new  a ns we rs.  H unti ng  operati on s   a re  c oor din at e d  t o  find  the   best  op ti m al   s olu ti ons  duri ng  e xploit at ion .   The   al gorith ms  ca pacit y  t o  cha nge  direct ion  is  li mit ed  because   exp l or at io n  oc cur s   in  t he  fir st  half  of  it era ti on s  a nd  e xp l oitat ion   i n  the   seco nd.  RS A s  ina bili ty  to  adjust   it erati vely  ma kes   it   pr on e   t o  l ocal  opti ma.  T hus,   a   de fi ned  sea rc h  pat te rn  does   no t   gu a ra ntee  the   op ti mal   value .   Re in f orcement   le ar ning  an d  ada ptive   sea rch  fin d  t he   global  mi nim um  ef fici ently.   Ra nd om  oppo sit ion - base d  le ar ning  incr eases  p op ul at ion  v ariat io n  to   fin d  al te rn a ti ve  an swe rs.   T hese f eat ures   of  th e  RL   an d  R OBL  mo ti vate d us  t o use t hem for  impro ving the   RSA  for  e ff ic i ent se ntiment a nalysis.     2.4.2. T he S A - DLRL RSA s t ructure   SA - DLRLRS A  us es  t he  enti re   searc h  sp ac e   as  it s  e nv iro nme nt  an d  e very  so l ution   (in di vid ual )  as  an   RL  trai ni ng  a ge nt.  The   Q   le a rn i ng  al gorit hm  s witc hes   bet ween  e xp l or at i on  a nd  e xp l oitat ion .   T he  Q   va lue  of  the  sta te - act io n  pair  is  updat ed  by  the  Q   le arn i ng  al gorith m  us i ng  the  hi gh e st  fitness   va lue  an d  t he  a ver a ge   fitness   val ue  f rom  ea rlie r   it erati on s .  A   ta bl e  de scri bed  as   a   re ward   ta bl e  is  us e d  to   gi ve   the   punis hme nts   or  incenti ves   to   the  s olu ti ons   (a gen ts )  base d  on  it s  act io ns   a nd  sta tus.   T he  pro po se d  SA  with  RL   an d  r andom   sta te   le arn in g  c on sist s  of  th ree   act ion s   that  a r e  deter mine d  by  the   rate  of  th e  ex plorat ion  ∅ :  increasin g  t he  rate  of   t he  e xp l or a ti on ,  decre asi ng  the  rate  of   the  ex plorat io n,   or  mainta in ing   c urre nt  rat e.  I n  the  f ollo wing   it erati on   value   of  ∅   is   adj us te d  c onside rin g  the  cu rr e nt  hi gh e st  fitnes s  a nd  c umulat ive  aver a ge   fitness   us i ng   (10).  ∅  + 1   in dicat es  the  rate  of  e xplorati on  i n  the   fo ll owin g  it era ti on ,   ∆   represe nts   the   inc rem ental   val ue,  an d  (   )   represe nts  the  fitne ss  of   the  be st  po sit io n  in  the  cu rr e nt  it erati on .  T he  M   r epr ese nts  the  mean  fitness   of  the   fit  s olu ti on  (in div id uals )  fou nd  t hu s   fa r,  co mputed   usi ng  ( 11) .  U p  t o  this   poi nt,  n   it erati on s   ha ve  been   done.  T o  cal c ulate   the   weigh te d  facto r   f or  the   fitt est   ind iv i du al       at   it erati on   ,  use   the   form ul a      =  /  .     ∅  + 1 = { ∅  ∗ ( 1 + ∆ )      (  )  > ∅  ∗ ( 1 − ∆ )      (  )  < ∅                                                           ℎ     (10)     = 1 ∑    = 1   (11)     He re ,     represe nt s  the   c urren t   it erati on  a nd  IT   represe nts  t he  t otal  numb e r   of   it erati ons.   It   is   im portant   to   note   that  the   m os t  phys ic al ly   fit  i ndivid uals  i n  re cent  ti mes  ha ve   a  gr eat e r  im pa ct   on  t he  cal c ulati on  of  t he  va lue  of   M .  s pecifica ll y,  if  t he  ac hiev ed  fitness   is  hi gh e r  tha n  the   ave rag e   fitne s s,  the   al gorith m  s hould  f oc us  on  a   small er  sea rch  sp ace   an d  im pro ve  the   acq uire d  s olu ti ons .  Alte r nativel y,  the  al gorith m  ex pa nds  it s   searc h  reg i on  in  orde r   to  disco ve r  novel  s olu ti ons  a nd  pre ven t  l oc al   op ti ma .  I n  s um ma r y,   t he  first  sce nar io   de scribe d  in  (10 )  t yp ic al l y  occ urs  w hen  the  a ge nt  ac hie ves   a   hi gh e r   le vel  of  fitness   over   the   mean   fitness.   I n  the   se cond   sit uation,   t he  agen t ’s   fitne ss   sta rts  to  decli ne  in  c ompar ison   t o  the  pri or   a gen t ’s   e xperie nce.  T he   SA - DLRLRS A has  thr ee  stat es,  de no te d  as   st = { 1 , − 1 , 0 )   wh i ch  c orres pond  to the acti viti es d esc ribe d  in  (12).   The   re ward   ta ble  i n  t his  w ork  a ssig ns  a   po sit ive  val ue   of   (+1)  t o  sta te    = 1   and  a   neg at ive   value   of   ( - 1)  to  al l  ot her   sta te s.  I f   the  fitne ss  gain ed  at   it erati on,   it   is  good  tha n  the  mea n  fit ness  of  the  la st    − 1   it erati on s,   the n  the   pr ese nt  sta te      is   eq ual   to   1.  In  ( 13)   il lustrate s  t he  rew a r d  a ppr oac h.  He re,      is  the   sta t e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   755 - 766   760   achieve d   by   t he  in div i du al   (ag e nt)  at   it er at io n  it .  F ur th erm or e,  t he  s uggeste d  S A - DLRLRS A  m et hod  pr eci sel y  adj ust s  the  rate  of  le arn in g  acc ordi ng   t o  the   a ccum ulate d  pe rformance ,  as   this  fact or   great ly  influ e nces  t he  at ta inment  of   t he  ideal   so l ution.  Wh e n  t he  rate  of  le ar ning  is  near  to  on e,  the  fr e sh  col le ct ed   inf or mati on   sign i ficantl y  i nfl uen ces   the  f uture  re wa rd.   At  a  l ow  le arn i ng  rate,   the  value  of  e xisti ng   inf or mati on  surpass es  that  of  new l y  ac qu i re d  in formati on.   In   orde r  to   opti mize   the  ou tc ome ,  the   le arn i ng  rate  is  dynamical ly   decr ease d  at   e ach  i te rati on   usi ng   (14 ).   Her e ,      an d      represe nt  the  sta rtin g  and   final   values  of the  le arn i ng r at e,  res pecti vely .      =  ( (  ) − ) ,  ( ) = { 1                          > 1 − 1                < 1 0                  ℎ     (12)       = { + 1                     = 1   − 1              ℎ     (13)      =   +   2 −   +   2 ∙ cos   ( ( 1 −   ) ) )   (14)     The   ra ndom  opposit io n - base d  le a rn i ng  (ROBL)   te ch nique  is   inc orp orat ed  i nto  the   S A - DLRLRS A   al gorithm   to   dyna m ic al ly  as s ist   in  a voidin g  the   prob le m   of  bein g  stuc k  in  sub op ti mal  s olu ti ons.   ROB L  is   a  te chn iq ue  est a blishe d  by   [ 27]   that use r a ndomi zat ion  to  e nhance t he  pe rformance  of   opti mize d  bee life  ( OBL )   methods   def i ne d   as:    =   +     −     ×  ,  = 1 , 2 , … … … . , .  He re ,     a nd     deno te   the  antit hetic al   an d  init ia l  so luti on s ,  wh e reas     and     represent   the  mi nimum   an d  ma xim um  li mit s  of   t he  var ia bles.  Fig ure  3  dep ic ts  th e  propose d  S A - DLRLR SA   a nd   pro vid es  a  more  com preh ensive  e xp la na ti on   of   how  t h e alg ori thm e xplo res  th e g lo bal s olu ti on.        1   In i t i al i ze R SA   p ara m et er s ,  crea t e i n i t i a l  p o p u l a t i o n  ra n d o m l y .   Set  t h e  s t a t e  s t = ( st 1 ,  s t 2 ,  s t 3 }  a n d  a ct i o n   at   = ( at 1 ,  a t 2 ,  a t 3 ).   In i t i al ze  Q  t a b l e an d  r ew ar d  t ab l e,  ra n d o m l y  se l ec t  p res en t  s t a t e   2   W h i l e   i t   <  I T   3        Cal cu l a t e t h e F i t n e s s   o f eac h  s o l u t i o n s   4   Fi n d  t h e B es t  s o l u t i o n  s o  far   5     U p d a t e t h e  E V S   u s i n g     (2 ).   6      U p d a t e ra t e of  ex p l o rat i o n  φ   u s i n g    ( 9 )   7         Fo r ( i   = 1  t o   N )    8            Fo r ( j   = 1 t o   N )   9               If  r a n d   <  ∅   10                  If  r a n d   < 0. 5   11                      U p d at e  cro co d i l e s ’ Po s i t i o n   u s i n g  fir s t  par t   o f    (1 )    12                   Else   13                      U p d at e  cro co d i l e s ’Po s i t i o n   u s i n g  se co n d  par t   o f    (1 )   14                      E n d  I f   15               E l s e     16                 If  r a n d   < 0. 5   17                    U p d at e cr o c o d i l es ’ P o s i t i o n  u s i n g  first p art   o f    (7 )    18                 Else   19                    U p d at e cr o c o d i l es ’ P o s i t i o n  u s i n g  sec o n d  p art   o f    (7 )   20                E n d  If         21             E n d  If   22             Co mp u t e   (  + 1 )   u s i n g   R O B L   23            E n d  Fo r   24          If   (  (  + 1 ) )   i s   b et t er  t h an   (  (  + 1 ) )   25                  (  + 1 )     =      (  + 1 )   26         E n d  If   27        U p d at e  t h e pr es e n t   s t a t e  u s i n g    ( 1 2 )   28        Co mp u t e re w ar d  u s i n g    (1 3 )   29        U p d at e  Q  t ab l e  u s i n g    ( 9 )   30        E n d  F o r   31   it   =  it   +  1   32   U p d a t e ra t e  o f le arn i n g  u s i n g    (1 4 )   33   E n d  W h i l e   34   Ret u rn   t h e b es t  p o s i t i o n  a n d  fi t n es s     Figure  3. Pro pose d  S A - DLR LRSA al gorith m   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       An  i mp r ove d  r eptil e sear c h  al go rit hm - base d   m ach i ne  le arn ing  f or  se ntime nt an alysis   ( Ni te sh   Surej a )   761   The   al gorith m   sta rts   by   asse ssing  in div i dual   fitness   a nd  fin ding  t he  be st  so l ution.   Ne xt,  t he   m os t   adv a ntage ous  act ion   f r om   th e  Q  ta ble  is  sel ect ed,   a nd   t he  exp l or at io n  rate  is  cha ng e d  usi ng   ( 10).   T he  rand om   numb e r   an d  e xp l or at io n  rate   dete rmin e   whet her  ex plorat ion  or  e xp l oitat ion  ge ne rates  a  ne w   s olu ti on .  T he   recently   acq ui red  so l utio n  is   us e d  t o  c ompu te   t he  rever s e  so l ution  usi ng   R OBL.   A fter  t hen,  the   el it ism   mecha nism  determines  t he  be st  so luti on  f rom  the  re ver se  and   ne w  so l ution s .  F ollow i ng  this,  updates  oc cur   t o   the  Q  ta ble,  re ward  ta ble,  a nd  prese nt  sta te .  The  rate  of   l earn i ng   is  m odifie d  a fter  ea ch  it erati on   u nt il   th e   stoppin g req uir ements a re  met.       3.   RESU LT S  AND DI SCUS S ION     3.1 .    As sessme nt   i ndic ators   All  the  a ssess ment  i nd ic at or s  us e d  in  t his  work  ar e  descri bed  in  Table   1,   w her e   tr ue  po sit ives   ( TP),   true   ne gatives   (TN),   f al se  po sit ives  ( FP),   a nd  false  ne gatives   (FN )  a re   us e d  t o  c al cul at e  their   value s.  T he  model i s e valu at ed  usi ng acc ur ac y, F 1  sc or e , precisi on, a nd  r ecal l met rics.       Table  1.   Asses sment  i nd ic at ors   Metr ic   Descripti o n   Fo rm u la   Accuracy   Prop o rtion  of corr e ctly  classified  ins ta n ces  am o n g  the  to tal ins tan ces.     = (  +  ) / (  +  +  +  )   Precisio n   Prop o rtion  of tr u e  p o sitiv e predictio n s am o n g  all  p o sitiv e predictio n s.     =  / (  +  )   Recall   Prop o rtion  of tr u e  p o sitiv e predictio n s am o n g  all  actu al po sitiv e ins tan ces.    =  / (  +  )   F1  Score   Har m o n ic m e an  of  precisio n  and  r eca ll,  b alan cin g   b etween p recisio n   an d  r ecall.   1     =   ( 2 ×   ∗  ) / (   +  )       3.2 .    Ex peri ment al results   Table  2  s how s   the  pa rameter   com bin at io ns  of   al l  cl assifi ers  in  this  i nvest igati on .  Tot al   po sit ive,   neu t ral,  a nd  ne gative  tw eet s  a re  22,93 7,   21, 938,  a nd  5,1 83,  resp ect ivel y.  T his  project   ai m s  to  c reate  a  B i tc oin   sentime nt  a nal ys is  m odel   us i ng  dee p/mac hi ne  l ear ning  me thods.  I n  order  to  e nh a nce  m od el   e ff ect i veness,  we  enh a nce d  de ep   le arn in g/mac hi ne  le arn i ng   pa rameters  util iz i ng   a n  e nh a nce d  re ptil e  searc h  al gorith m  (R SA ) .   We  a dd e d  rein forceme nt  le ar ning  to   the  RS A  al go rithm  t o  boos t  it s  e xplorati on  a nd  use   of  i nfo rmati on.  The   models  accu ra cy,   F 1  sc or e,   pr eci sio n,   a nd  recall   were   evaluated .  T hese  metri cs  pro vid e  a  co mp le te   assessme nt  of  the  m odel s  a bi li ty  to  cl assif y  t weet  se ntiments  a s  posit ive,  ne gative,   or  ne utral.   O ur  st udy  fou nd   si gn i ficant  dif fer e nces   in  de e p  le ar nin g  (DL)  or   m achine  le ar ning  ( M L )  al gorit hm   e ff ic ac y.   T able  3  com par es  m odel s p er f or ma nc e facto rs.       Table  2.   Para m et er s et ti ng of t he  m odel s   Para m eters   Valu es   CNN   LST M   BERT   CNN - LS TM   BERT - CN N   BERT - LST M   Act.  f u n ctio n   So ftm ax   So ftm ax   So ftm ax   So ftm ax   So ftm ax   So ftm ax   Batch  size   128   128   128   128   128   128   Op tim ize r   Ad am   Ad am   Ad am   Ad am   Ad am   Ad am   Epo ch s   10   10   10   10   10   10   Lear n in g  r ate   -- - -   -- - -   0 .00 1   -- - -- - -           Table  3.  Res ults at ta ined b y  th e  m odel s   Mod els   Accuracy  ( %)   Precisio n  ( %)   Recall (% )   F1  sco re  (% )   CNN   9 3 .10   9 3 .96   9 2 .10   9 3 .02   LST M   9 4 .97   9 6 .19   9 5 .85   9 6 .02   BERT   9 6 .84   9 7 .44   9 7 .18   9 7 .31   CNN - LS TM   9 6 .38   9 6 .44   9 6 .22   9 6 .33   BERT - CN N   9 7 .22   9 7 .12   9 6 .90   9 7 .01   BERT - LST M   9 8 .32   9 7 .28   9 7 .18   9 7 .23       Figur e  4  s hows  the  graphs   twe et  numerically.   Figur e  5  s hows  the  res ults   graphically.   Figur e   6  s hows  the   CNN   class ifi er  achieved   96. 5%  accuracy,  93. 9%  precis ion,   92 . 1%  recall,   and  93. 0%  F1  s core .   Figur e  7   s hows  tha t   the  LS TM   classifier   had  94. 9%  accuracy,  96. 1 %  precis ion,   9 5. 8%  recall,   and  96. 0%  F1  s core.   Figur e  8  s hows  that  the  BERT  class ifi er  had  96. 8%  accuracy,  97. 4 %  precis ion,   9 7. 1%  recall,   and  97. 3%  F1  s c ore.   The  CNN - LS TM   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   755 - 766   762   class ifi er  in  Fig ure  9  had  96. 3 %  accuracy,  96. 4%  precis ion,   9 6. 9%  recall,   an d  97. 0%  F1  s core.   Figur e  10  s h ows  the    BERT - CN N  cla s s ifi ers   97 . 2%  accuracy,  97. 1%   precis ion,   92. 1%  recall,   and  9 3. 0%  F1  s core.   Figur e  11  s how s   that   the  BERT - LS T M   class i fier   ou tperf ormed  all  other  models .   The  model  had  98. 3%   accuracy,  97. 2%   precis ion,   97. 1%  recall,   a nd  97. 2%  F1  s c ore.   BERT - LSTM   was  re s ilient  and  eff ective   at  ass es s ing  Bitcoin  tweet  s ent iment.   Our  res earch  also  compares   our  findi ngs  to  earlier  s tudies   [16] – [18] ,   [21] .  Our  w ork  s hows  tha t  deep  learning/mac hi ne  learning  impr oves  class ifi c ation  accurac y  through  real - time  tweet  detec tion  and  analysis .   It  is   also  impor tant  t o  highlight  constr aints   like   dataset  s ize  and  bi ases   that  may   r estr ict  outcomes  of   the  res earch .   This   may  requir e  intelligent  hype rpar ameter  adjust ing,   us ing  domain - s pecific   characteris tics   based  on  ex pert  knowledg e,  or  adding  extern al   data  to  augme nt  the  dataset.   We  can  impr ov e  s entiment  ana lys is   by  incorpor ating   these  variables   and im proving  categorizati on  a lgori thms .           Figure  4. N umber  of T weets           Figure  5. Re su l ts o btained             Figure  6.  CN N  conf us io n mat rix     Figure  7. LST M   c onf us io n m at rix   0 5000 10000 15000 20000 25000 Positi ve Neutral Negativ e Number  of  Tw eets Tw eet Types T w ee ts                                                                                                                                                                                                                                                                                           Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C omp E ng     IS S N:   20 88 - 8708       An  i mp r ove d  r eptil e sear c h  al go rit hm - base d   m ach i ne  le arn ing  f or  se ntime nt an alysis   ( Ni te sh   Surej a )   763         Figure  8. BER T   co nfusi on m at rix     Figure  9.  CN N - LST M   c onf usi on   matri x               Figure  10.  BE RT - CN N   c onf us io n mat rix   Figure  11. BE RT - LST M   c on fu si on matri x       4.   CONCL US I O N    This  wor k  pr es ents  the   de vel opme nt  of   t he  S A - DLRLRS A  al gorithm  f or  s entime nt  cl assi ficat ion   of  Bi tc oin   tweet s .  T he  obje ct ive  of  the   S A - DLRLR SA  te chn i qu e   is  t o  de velo p  a n  aut om at ed   a r ti fici al  intel li gen ce  m od el   that   acc urat el y  cl assi fies  the   tweet s   a s  po sit ive ,  ne gative,   or  neut ral  in   te r ms  of  thei r   sentime nt  t oward s   Bi tc oin s .   The   S A - DL RLR SA   te c hniqu e  co ns ist s  of  f our  sta ge s:  data  pr e pa r at ion ,   pr e processi ng,   sentime nt  cl ass ific at ion   bas ed  on   dee p  le arn i ng   or  mac hin e  le a rn i ng,   an d  hyperpa r amet er  tun in g  base d  on  im prov e d  RSA.   Th e  RS A  te c hn i qu e   is   em ployed   f or  hy perpara mete r  tu nnin g   in   order  to   enh a nce   the   r esults  of  the   DL   or  M L   al gorithms .   T he   eff ect ive ness   of  the   S A - DL RLR SA   a ppr oa ch  is  confirme d  by   te sti ng  it   on  t he   Bi tc oin  tweet s   dataset   obta in ed  from   the   K agg le   re posit ory.  Th e  e xperi mental   resu lt s  s howe d  that  the   S A - D LRLR SA   met hod  outpe rformed   ot her  pres ent  al gorith ms   in  se ve ral  me asur e s.   This  a nal ys is  offer s   a   valua ble  i ns ig ht  i nto   t he   pu blics  emotio ns  to wa rd s   Bi tc oins  on  Twitt er,   e na bling  a   bette r  c ompre he ns io n  a nd  e va luati on  of  it s  i nfl ue nce  a nd  pe rcep ti on  a mon g  us er s.  I n  the   fu t ur e,   the   pres ented  model  has  t he  po te ntial   to  be   exp a nded   for  c la ssify in g  vie w s  relat ed   to   var iou s   to pics.   F urt hermo re,   the r e  are   sever al   ad diti on al   strat egie s  that  can   be   em ployed   t o  e nhance   th e  pe rfo rma nc e  of  t he  sug gested     SA - DLRLRS A  m odel .       REFERE NCE S   [1]   C.  A.   Igles ias   an d   A.   Moren o ,   “Sen tim en t  an aly sis   for  so cial  m ed ia ,”  A p p lied   S cien ces ,  v o l.  9 ,  n o .  2 3 ,  p p .   1 – 4 ,  No v .  2 0 1 9 ,     d o i: 10 .3390 /ap p 9 2 3 5 0 3 7 .   [2]   Q.  Tul  et  al. ,  “Sent im en t analy sis  us in g  deep  lear n in g  tec h n iq u es: a r ev iew, ”  Inter n a tio n a l Journ a l of  Adva n ced C o mp u ter S cien ce  a n d  A p p lica tio n s ,  v o l.  8 ,  n o .  6 ,  p p .  4 2 4 – 4 3 3 ,  Jan .  2 0 1 7 ,  do i: 10 .14 5 6 9 /IJACSA.2 0 1 7 .08 0 6 5 7 .   [3]   D.  Li,   R .  Rzep k a,  M.   Ptaszy n sk i,  an d   K.  Araki,  “H EM OS:  a  n o v el  d eep  l earnin g - b ased   fine - g rained   h u m o r  d etectin g   m eth o d   for   sen tim en t  an aly sis   o f  so cial  m ed ia,”  Info rma tio n   Pro cess in g   a n d   Ma n a g ement ,  v o l.  5 7 ,  n o .   6 ,  No v .  2 0 2 0 ,    d o i: 10 .1016 /j.ipm.20 2 0 .1 0 2 2 9 0 .   [4]   M.   Sin an   et  a l. ,  “ An aly sis   o f  th e  m ath em atical  m o d el   o f  cu tan eo u s  leis h m an iasis   d iseas e, ”  Alexan d ria   Eng i n eerin g   Jo u r n a l ,    v o l.  7 2 ,  p p .  1 1 7 – 1 3 4 ,  Ju n .  2 0 2 3 ,  d o i:  10 .10 1 6 /j.aej. 2 0 2 3 .03 .06 5 .   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C omp E ng,  V ol.  15 , No .  1 ,  Febr uary   20 25 :   755 - 766   764   [5]   A.  R.   Path ak ,   B.   Ag arwa l,   M .  P an d ey ,  an d   S.  R au taray,  “ Ap p licatio n   o f  d eep  lea r n in g   ap p roach es  for  se n tim en t  an aly sis , ”     in   Algo rith ms fo r Intellig en t Sys tems ,  2 0 2 0 ,  p p .  1 – 3 1 .   [6]   D.  W u ,  S.   W an g ,  Q.  Liu,  L .  Ab u alig ah ,  an d   H.  Ji a,  “An   i m p rov ed   teachin g - learnin g - b ased   o p tim izati o n   alg o rithm  with   reinforce m en t  lear n in g   strateg y   for  so lv in g   o p tim izatio n   p rob lem s,”  Compu ta tio n a l  Intellig en ce  a n d   Ne u ro s cien ce ,  v o l.  2 0 2 2 ,    p p .  1 – 2 4 ,  Mar .  2 0 2 2 ,  d o i: 10 .11 5 5 /2 0 2 2 /1 5 3 5 9 5 7 .   [7]   L.   Ab u alig ah ,  M.   A.  Elazi z,  P.  Su m ari,   Z .  W .  Gee m ,  an d   A.  H.  Gan d o m i,  “Rep tile  sea rc h   alg o rithm  (RSA ):  a  n atu re - in sp ire d  m eta - h eu ristic op tim ize r, ”  Expert  Sys tems with  A p p lica tio n s ,  v o l.  1 9 1 ,  Ap r.  20 2 2 ,  d o i: 10 .101 6 /j.eswa.20 2 1 .11 6 1 5 8 .   [8]   H.  T .  Hal awani,  A.  M .  Mash raqi,  S.  K.   Bad r,   an d   S.  Alk h alaf,  “Au to m ated   sen ti m en t  a n aly sis   in   so cial  m ed ia  u sin g   Har ri s    Hawks   o p tim isa ti o n   an d   d eep  learnin g   tech n iq u es,”  Alexan d ria   Eng in eerin g   Jo u rnal ,  v o l.  8 0 ,  p p .  4 3 3 – 4 4 3 ,  Oct.  2 0 2 3 ,    d o i: 10 .1016 /j.aej. 2 0 2 3 .0 8 .06 2 .   [9]   T.   A.  Tuib ,  B.  H.  Sao u d i,  Y.  M.   Hu ss ein ,  T.   H.  Mand eel,  an d   F.  T.   Al - Dh ief,   “Co n v o lu ti o n al  n eu ral  n etwo rk  with   b in ary  m o t h   flame  o p tim iz atio n   for   em o tio n   d etect io n   in   electroen cep h alo g ram ,”   IA ES  I n tern a tio n a l  Jo u rnal  o f  Artificia l   Inte llig en ce ,  v o l.  1 3 ,   n o .  1 ,  p p .  1 1 7 2 – 1 1 7 8 ,  Mar .  20 2 4 ,  d o i : 10 .11 5 9 1 /ijai.v1 3 .i1.p p 1 1 7 2 - 1 1 7 8 .   [10 ]   R.  Seth   an d   A.  Sh araff,  “S en tim en t  d ata  an a ly sis   for  d etectin g   so cial  sen se  afte r  COV ID - 1 9   u sin g   h y b rid  o p t im izatio n   m eth o d ,”   S N Co mp u ter S cien ce ,  v o l.  4 ,  n o .  5 ,  J u l.  2 0 2 3 ,  d o i: 10 .1 0 0 7 /s429 7 9 - 023 - 0 2 0 1 7 - 3.   [11 ]   S.  M .  Nag a rajan  a n d   U.  D.  Gan d h i,  “Clas sify in g   strea m in g   o f  Twit ter  d ata  b ased   o n   sen tim en t  an aly sis   u sin g   h y b ridizatio n ,”   Neu ra l Co mp u tin g  an d  A p p lica tio n s ,  v o l.  3 1 ,  n o .  5 ,  p p .  1 4 2 5 – 1 4 3 3 ,  May 2 0 1 9 ,  d o i: 10 .1 0 0 7 / s0 0 5 2 1 - 018 - 3 4 7 6 - 3.   [12 ]   N.  S.   Muru g an   an d   G.  Ush a  De v i,  “Detecting   str eam in g   o f  T witt er  sp am   u sin g   h y b rid  m eth o d ,”  Wir eless   Perso n a l   Co mmu n ica tio n s ,  v o l.  1 0 3 ,  n o .  2 ,  p p .  1 3 5 3 – 1 3 7 4 ,  No v .  2 0 1 8 ,  d o i: 1 0 .10 0 7 /s1 1 2 7 7 - 018 - 5 5 1 3 - z.   [13 ]   Y.  Yu e ,  Y .  Pen g ,   an d   D.  W an g ,  “ D eep  learnin g   sh o rt  tex t  sen tim en t  an aly sis   b ased   o n   im p rov ed   p article  sw arm  o p tim izatio n ,”  Electro n ics ,  v o l.  1 2 ,  n o .  1 9 ,  p p .  1 – 2 3 ,  Oct .  2 0 2 3 ,  d o i: 10 .33 9 0 /electron ics 1 2 1 9 4 1 1 9 .   [14 ]   B.  B.  Al - o n azi  et   a l. ,  “Qu an tu m   p article  swa rm   o p t im izatio n   with   d eep  learnin g - b ased   Arabic  tweets  se n tim en t  an aly sis ,”  Co mp u ters ,  Ma teria ls { \ and }  Co n tin u a ,  v o l.  7 5 ,  n o .  2 ,  p p .  2 5 7 5 – 2 5 9 1 ,  Jan .  2 0 2 3 ,  d o i: 10 .3 2 6 0 4 /cm c.20 2 3 .03 3 5 3 1 .   [15 ]   P .   M a n j u l a ,   M .   M a r a g a t h a r a j a n ,   P .   R a j p u t ,   S .   P .   R .   K a m a l a ,   N .   K o p p e r u n d e v i ,   a n d   S .   N .   S a n g e e t h a a ,   “ S e n t i m e n t   a n a l y s i s   f o r   o n l i n e   p r o d u c t   r e v i e w s   a n d   r e c o m m e n d a t i o n   u s i n g   d e e p   l e a r n i n g   b a s e d   o p t i m i z a t i o n   a l g o r i t h m , ”   I n t e r n a t i o n a l   J o u r n a l   o n   R e c e n t   a n d   I n n o v a t i o n   T r e n d s   i n   C o m p u t i n g   a n d   C o m m u n i c a t i o n ,   v o l .   1 1 ,   n o .   9 ,   p p .   3 6 2 9 – 3 6 4 0 ,   N o v .   2 0 2 3 ,   d o i :   1 0 . 1 7 7 6 2 / i j r i t c c . v 1 1 i 9 . 9 5 8 5 .   [16 ]   J.  Ven k atar am an   an d   L.   Moh an d o s s,  “FBO ‐RNN:   fu zzy  b u tterf ly   o p ti m izatio n ‐bas ed   R NN‐LS T M  for  ex tracting   sen tim en ts    fr o m   Twitte r  e m o ji  d atab ase,”  Co n cu rr en cy  a n d   C o mp u ta tio n :  Pra ctice  a n d   Experi en ce ,  v o l.  3 5 ,  n o .  1 2 ,  May  2 0 2 3 ,     d o i: 10 .1002 /cp e.7 6 8 3 .   [17 ]   D .  Elang o v an   an d   V.   Su b ed h a,  “Ad ap tiv e  p article   g re y   wo lf  o p tim i zer   with   d eep  lea rnin g - b ased   sen tim en t   an aly sis   o n   o n lin e   p rod u ct  reviews,”   Eng in eerin g ,  Tec h n o lo g y  { \ and }  A p p lied   S cien ce  Re sea rch ,  v o l.  1 3 ,  n o .  3 ,  p p .   1 0 9 8 9 – 1 0 9 9 3 ,  Ju n .  2 0 2 3 ,    d o i: 10 .4808 4 /e tas r. 5 7 8 7 .   [18 ]   A.  Alzaqeb ah ,  B.   Sm ad i,   an d   B.   H.   Ham m o ,  “Ar ab ic  sen tim en t  an aly sis   b ased   o n   salp   sw arm  alg o rithm   wit h   S - sh ap ed   trans fe r   fun ctio n s,”  in   2 0 2 0   1 1 th   Inter n a tio n a l  Co n feren ce  o n   Info rma tio n   a n d   Commun ica tio n   S ystems   (I C ICS ) ,   Ap r.   2 0 2 0 ,  p p .  1 7 9 – 1 8 4 ,   d o i: 10 .1109 /ICICS4 9 4 6 9 .20 2 0 .23 9 5 0 7 .   [19 ]   A.  M .  Mash r aq i  an d   H.  T.   Hal awani ,  “Dra g o n fly  o p tim izatio n   with   d ee p   learnin g   en ab led   sen tim en t  an aly sis   for  Arabic  t weet s,”   Co mp u ter S ystems  Scien ce an d  E n g in eerin g ,  v o l.  4 6 ,  n o .  2 ,  p p .  2 5 5 5 – 2 5 7 0 ,  Jan .  2 0 2 3 ,  d o i: 10 . 3 2 6 0 4 /css e.20 2 3 .0 3 1 2 4 6 .   [20 ]   L.   R .  K ros u ri  an d   R.  S .  Aravap alli,   “Featu re  lev el  f in e  g rained   sen tim en t   an aly sis   u sin g   b o o sted   lo n g   sh o rt - term  m e m o ry  with   im p rov ised  local s earc h  whale  op tim i zatio n ,”  PeerJ  Co mp u ter S cien ce ,  v o l.  9 ,  p p .  1 – 2 4 ,  Ap r.  20 2 3 ,  d o i: 10 .7 7 1 7 /p eerj - cs.1 3 3 6 .   [21 ]   Bay d o g an   an d   B.  Alatas,   “Sen ti m en t   an aly sis   in   so cial   n etwo rks   u sin g   so cial  sp id er   o p tim iz atio n   alg o rithm, ”   Teh n icki  Vjesn ik   -   Tech n ica l Gaz ette ,  vo l.  2 8 ,  n o .  6 ,  p p .  1 9 4 3 – 1 9 5 1 ,  Dec.  2 0 2 1 ,  d o i: 10 .1 7 5 5 9 /TV - 2 0 2 0 0 6 1 4 1 7 2 4 4 5 .   [22 ]   C .   B a y d o g a n   a n d   B .   A l a t a s ,   “ M e t a h e u r i s t i c   a n t   l i o n   a n d   m o t h   f l a m e   o p t i m i z a t i o n - b a s e d   n o v e l   a p p r o a c h   f o r   a u t o m a t i c   d e t e c t i o n   o f   h a t e   s p e e c h   i n   o n l i n e   s o c i a l   n e t w o r k s , ”   I E E E   A c c e s s ,   v o l .   9 ,   p p .   1 1 0 0 4 7 – 1 1 0 0 6 2 ,   J a n .   2 0 2 1 ,   d o i :   1 0 . 1 1 0 9 / A C C E S S . 2 0 2 1 . 3 1 0 2 2 7 7.   [23 ]   U.  D .  Gan d h i,  P.   Mala rvizh i  Ku m ar,   G.   Ch an d ra  B ab u ,  an d   G.   Kart h ick ,  “Sen tim en t  an aly sis   o n   Twitt er  d ata   b y   u sin g   co n v o lu ti o n al  n eu ral  n etwo rk  (C NN )  an d   lo n g   sh o rt  t erm   m e m o ry  ( LS TM ) ,”  Wir eless   P ers o n a l  Co mmu n i ca tio n s ,  p p .  1 – 1 0 ,     May 2 0 2 1 ,  d o i: 10 . 1 0 0 7 /s 1 1 2 7 7 - 0 2 1 - 0 8 5 8 0 - 3.   [24 ]   Y.  Yu ,  X.   Si,   C.   Hu ,  an d   J .  Zhan g ,  “A   r ev iew   o f  rec u rr en t  n eu ral   n etw o rks :  LST M   cells   an d   n etwo rk   arch itectu res,”   Neu ra l   Co mp u ta tio n ,  v o l.  3 1 ,  n o .  7 ,  p p .  1 2 3 5 – 1 2 7 0 ,  Ju l.  2 0 1 9 ,  d o i: 10 .11 6 2 /n eco_ a _ 0 1 1 9 9 .   [25 ]   M.   Sch u ster  an d   K.   K.  Paliwal ,  “B id irection al  recurr en t  n eu ral  n etwo rks ,”  IE E E  Tra n sa ctio n s  o n   S i g n a l  Pro cess in g ,  v o l.  4 5 ,     n o .  1 1 ,  p p .  2 6 7 3 – 2 6 8 1 ,  Jan .  1 9 9 7 ,  d o i : 10 .11 0 9 / 7 8 .650093 .   [26 ]   B.  M.   K ay h an   an d   G.  Yild iz,  “Rein f o rcem en t  lea rnin g   ap p licatio n s  to   m achi n e  sch ed u lin g   p rob lem s:  a  co m p re h en siv e  literature   review,”   Jo u rn a l o f I n tellig en t Ma n u fa ctu rin g ,  v o l.  3 4 ,  n o .  3 ,  p p .  9 0 5 – 9 2 9 ,  Mar .  20 2 3 ,  d o i: 10. 1 0 0 7 /s108 4 5 - 021 - 0 1 8 4 7 - 3.   [27 ]   W .  Lon g ,  J.  Jiao ,  X.  Liang ,  S.  Cai,  a n d   M.   Xu ,   “A   ran d o m   o p p o sitio n - b a sed   learnin g   g rey   wo lf  o p tim i zer,”  I EE E   Acce ss ,   v o l.   7 ,   p p .  1 1 3 8 1 0 – 1 1 3 8 2 5 ,  Jan .  2 0 1 9 ,  d o i: 1 0 .11 0 9 /ACC ESS. 2 0 1 9 .2934 9 9 4 .       BIOGR AP HI ES OF  A UTH ORS       Nite sh   Su re ja           is   cur r ent ly   e mpl oyed   wi th   KP GU   Univer s it y,   Vadod ara,   an d   Gujar at,  Indi a.   He  is  working  a s  the   direct or  a t  the   Krishna  Sch ool  of  Emerging   Te chno logy  and  Appli ed  Re sea rch ,   one   of  the   consti tu ent   insti tutes  of  KP GU .   His  rese ar ch  intere st s   inc lud e  m ac h in e  l e arn ing,  data   scie n ce,  art if icial  intelligen ce ,   and   al gor it hms   inspire d   by   nat ure .   H e  h as  b ee n   a   teac h er  fo r   more  tha n   23  y ea rs.   Publicati on s  with  SC OP US   and  Googl e   inde xes   have  p ubli shed   his  stu dy  find ings.  H e   has   me n tore d   t wo  Ph.D.   ca nd i dat es   and   is   cur re nt ly  m ent or ing  fiv e  Ph.D.   c a ndida t es.   He   c an   be contacted at   nmsurej a@gm ail. co m .       Evaluation Warning : The document was created with Spire.PDF for Python.