我正在做一个学期作业，对包含挪威语文本的数据集进行情感分析。它“预拆分”为三个文件：train、test 和 dev。数据集中存在高度不平衡，每个数据集分别构成中性：50-55% 或更多，正：30-33%，负：15-17%。我面临的问题是模型无法携带其从训练集中学习到的行为，在验证集上达到接近 65% 的准确率后过度拟合。我该怎么做才能解决这个问题？我怎样才能以清晰和“正确”的格式继续分析数据，以证明不可能获得更高的分数。 （我班上没有其他人在测试或验证中通过了 65%。任务分配说可能无法在其中一项任务上取得好成绩（其他任务的完美/高分）。
解决问题的措施： 不同的文本处理技术，不同的word embeddings，无word embeddings，padding，int sequencing 不同的模型结构：LSTM、multinomialNB、Logistic Regression、SpaCy text classifier、Bidirectional LSTM 图层：Dropout、SpatialDropout1D、Dropout、spacy word embeddings（涵盖 90% 的已处理文本）、 模型架构：不同层、神经元、激活（所有类型）、循环丢失、正则化等 当前架构效果最好：
`# Define model architecture
model = tf.keras.Sequential()
# Embedding layer initializes embeddings with our matrix, applying them to our entries, set as trainable
model.add(Embedding(num_words, embedding_dim, input_shape=(trainX.shape[1],),weights=[embedding_matrix], trainable=True))
#Randomly dropping some entries
model.add(SpatialDropout1D(0.3))
#bidirecitonal LSTM with dropout layers and regularisation
model.add(Bidirectional(LSTM(units=64, activation='tanh', dropout=0.5, recurrent_dropout=0.5, kernel_regularizer=l2(0.001))))
#Dropout to drop features
model.add(Dropout(0.5))
#Classifying sentiment
model.add(Dense(units=3, activation='softmax', kernel_regularizer=l2(0.1)))
#summarizing model to see architecture
model.summary()
`
超参数：调整学习率、类别权重、对少数类进行过采样、对多数类进行欠采样 还尝试更改批量大小、时期、提前停止... Trainable 已在 true 和 false 之间更改，没有改进。