A Case Study of Spanish Text Transformations for Twitter Sentiment Analysis
El análisis de sentimiento es una tarea de minería de texto que determina la polaridad de un texto dado, es decir, su positividad o negatividad. Recientemente, ha recibido mucha atención dado el interés en la minería de opiniones en las plataformas de microblogging. Estas nuevas formas de expresión...
| Autores: | , , , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2017 |
| País: | México |
| Institución: | Centro de Investigación e Innovación en Tecnologías de la Información y Comunicación |
| Repositorio: | Repositorio Institucional de INFOTEC |
| Idioma: | inglés |
| OAI Identifier: | oai:infotec.repositorioinstitucional.mx:1027/532 |
| Acceso en línea: | http://infotec.repositorioinstitucional.mx/jspui/handle/1027/532 |
| Access Level: | acceso abierto |
| Palabra clave: | info:eu-repo/classification/Autoridades UNAM/Medios sociales info:eu-repo/classification/Autoridades UNAM/Software de sistemas info:eu-repo/classification/Autoridades UNAM/Emociones info:eu-repo/classification/cti/7 info:eu-repo/classification/cti/33 info:eu-repo/classification/cti/3399 info:eu-repo/classification/cti/339999 |
| Sumario: | El análisis de sentimiento es una tarea de minería de texto que determina la polaridad de un texto dado, es decir, su positividad o negatividad. Recientemente, ha recibido mucha atención dado el interés en la minería de opiniones en las plataformas de microblogging. Estas nuevas formas de expresión textual presentan nuevos desafíos para el análisis de textos por el uso de argot, errores ortográficos y gramaticales, entre otros. Junto con estos desafíos, un clasificador de opiniones práctico debería ser capaz de manejar grandes cargas de trabajo de manera eficiente. El objetivo de esta investigación es identificar en un gran conjunto de combinaciones qué transformaciones de texto (lematización, derivación, eliminación de entidades, entre otras), tokenizadores (por ejemplo, n -gramas de palabras) y esquemas de ponderación de tokens tienen el mayor impacto en el precisión de un clasificador (Support Vector Machine) entrenado en dos conjuntos de datos españoles. La metodología utilizada es analizar exhaustivamente todas las combinaciones de transformaciones de texto y sus respectivos parámetros para averiguar qué características comunes tienen los clasificadores de mejor rendimiento. Además, presentamos un enfoque novedoso basado en la combinación de n gramas basados en palabras y q basados en caracteres.-gramos. Los resultados muestran que esta nueva combinación de palabras y caracteres produce un clasificador que supera a la combinación tradicional basada en palabras en un 11,17 % y un 5,62 % en el conjunto de datos del INEGI y TASS'15, respectivamente. |
|---|