The endemic growth of online reviews has attracted the users to post their opinions in the social network. This growth made the classification of sentiment process an interesting domain in both industrial and academic research. Various sentiment classification techniques are developed to perform sentiment analysis, but the acquisition of sentiment grade is not precisely performed. Hence, this paper devises novel optimization driven classifier for classifying the sentiment grades. Here, the reviews are considered wherein the features are mined using reviews. In addition, significant features, like, SentiWordNet-based features, statistical features, context-based features, and Term Frequency-Inverse Document Frequency (TF-IDF)-based features are obtained from review. These features are adapted in Hierarchical Attention Network (HAN) to categorize sentiment grade. The training of HAN is performed using the proposed Competitive Swarm Water Wave Optimization (CSWWO) algorithm. The developed CSWWO algorithm is newly designed by integrating the Competitive Swarm Optimizer (CSO) and Water Wave Optimization (WWO) technique. Thus, the proposed CSWWO-based HAN model categorizes the sentiment into five classes, poor, better, good, very good, and excellent. At last, data stream handling is performed by concept drift detection and prototype-based adaption. Hence, the proposed CSWWO-based HAN offered enhanced performance with maximal accuracy of 93%, minimal True Positive Rate (TPR) of 93.9%, and maximal True Negative Rate (TNR) of 91.7%.

在线评论的普遍增长吸引了用户在社交网络上发表他们的意见。这种增长使得情感过程的分类成为工业和学术研究中一个有趣的领域。开发了各种情感分类技术来执行情感分析，但是情感等级的获取并没有精确地执行。因此，本文设计了一种新颖的优化驱动分类器来对情感等级进行分类。在这里，考虑使用评论挖掘特征的评论。此外，从审查中获得了重要的特征，如基于 SentiWordNet 的特征、统计特征、基于上下文的特征和基于词频-逆文档频率 (TF-IDF) 的特征。这些特征适用于分层注意网络 (HAN) 以对情绪等级进行分类。使用提出的竞争群水波优化 (CSWWO) 算法对 HAN 进行训练。所开发的 CSWWO 算法是通过集成竞争群优化器 (CSO) 和水波优化 (WWO) 技术新设计的。因此，所提出的基于 CSWWO 的 HAN 模型将情绪分为五类，差、好、好、非常好和优秀。最后，通过概念漂移检测和基于原型的适应来执行数据流处理。因此，所提出的基于 CSWWO 的 HAN 提供了增强的性能，最大准确率为 93%，最小真阳性率 (TPR) 为 93.9%，最大真阴性率 (TNR) 为 91.7%。使用提出的竞争群水波优化 (CSWWO) 算法对 HAN 进行训练。所开发的 CSWWO 算法是通过集成竞争群优化器 (CSO) 和水波优化 (WWO) 技术新设计的。因此，所提出的基于 CSWWO 的 HAN 模型将情绪分为五类，差、好、好、非常好和优秀。最后，通过概念漂移检测和基于原型的适应来执行数据流处理。因此，所提出的基于 CSWWO 的 HAN 提供了增强的性能，最大准确率为 93%，最小真阳性率 (TPR) 为 93.9%，最大真阴性率 (TNR) 为 91.7%。使用提出的竞争群水波优化 (CSWWO) 算法对 HAN 进行训练。所开发的 CSWWO 算法是通过集成竞争群优化器 (CSO) 和水波优化 (WWO) 技术新设计的。因此，所提出的基于 CSWWO 的 HAN 模型将情绪分为五类，差、好、好、非常好和优秀。最后，通过概念漂移检测和基于原型的适应来执行数据流处理。因此，所提出的基于 CSWWO 的 HAN 提供了增强的性能，最大准确率为 93%，最小真阳性率 (TPR) 为 93.9%，最大真阴性率 (TNR) 为 91.7%。所开发的 CSWWO 算法是通过集成竞争群优化器 (CSO) 和水波优化 (WWO) 技术新设计的。因此，所提出的基于 CSWWO 的 HAN 模型将情绪分为五类，差、好、好、非常好和优秀。最后，通过概念漂移检测和基于原型的适应来执行数据流处理。因此，所提出的基于 CSWWO 的 HAN 提供了增强的性能，最大准确率为 93%，最小真阳性率 (TPR) 为 93.9%，最大真阴性率 (TNR) 为 91.7%。所开发的 CSWWO 算法是通过集成竞争群优化器 (CSO) 和水波优化 (WWO) 技术新设计的。因此，所提出的基于 CSWWO 的 HAN 模型将情绪分为五类，差、好、好、非常好和优秀。最后，通过概念漂移检测和基于原型的适应来执行数据流处理。因此，所提出的基于 CSWWO 的 HAN 提供了增强的性能，最大准确率为 93%，最小真阳性率 (TPR) 为 93.9%，最大真阴性率 (TNR) 为 91.7%。