Hispanopedia Wiki
Articulo de referencia

Análisis de sentimientos

Sentimiento en Twitter durante la gran recaudación de fondos en inglés de 2015 El análisis de sentimientos (también conocido como minería de opiniones ) consiste en el uso del p...

Hispanopedia WikiContenido en espanolLectura gratuita

Sentimiento en Twitter durante la gran recaudación de fondos en inglés de 2015
Sentimiento en Twitter durante la gran recaudación de fondos en inglés de 2015

El análisis de sentimientos (también conocido como minería de opiniones ) consiste en el uso del procesamiento del lenguaje natural , el análisis de texto , la lingüística computacional y la biometría para identificar, extraer, cuantificar y estudiar sistemáticamente estados afectivos e información subjetiva. El análisis de sentimientos se aplica ampliamente a materiales de opinión del cliente, como reseñas y respuestas a encuestas, medios en línea y redes sociales, y materiales de atención médica para aplicaciones que van desde el marketing hasta el servicio al cliente y la medicina clínica. Con el auge de los modelos de lenguaje profundo, como RoBERTa , se pueden analizar dominios de datos más complejos, por ejemplo, textos de noticias donde los autores suelen expresar su opinión/sentimiento de forma menos explícita. [ 1 ]

Tipos

Una tarea básica en el análisis de sentimientos es clasificar la polaridad de un texto dado a nivel de documento, oración o característica/aspecto: si la opinión expresada en un documento, una oración o una característica/aspecto de una entidad es positiva, negativa o neutral. La clasificación de sentimientos avanzada, "más allá de la polaridad", examina, por ejemplo, estados emocionales como disfrute, ira, disgusto, tristeza, miedo y sorpresa. [ 2 ]

Entre los precursores del análisis sentimental se encuentran el General Inquirer, [ 3 ] que proporcionó indicios para cuantificar patrones en el texto y, por separado, la investigación psicológica que examinó el estado psicológico de una persona basándose en el análisis de su comportamiento verbal. [ 4 ]

Posteriormente, el método descrito en una patente de Volcani y Fogel [ 5 ] analizó específicamente el sentimiento e identificó palabras y frases individuales en el texto con respecto a diferentes escalas emocionales. Un sistema actual basado en su trabajo, llamado EffectCheck, presenta sinónimos que pueden usarse para aumentar o disminuir el nivel de emoción evocada en cada escala.

Muchos otros esfuerzos posteriores fueron menos sofisticados, utilizando una simple visión polar del sentimiento, de positivo a negativo, como el trabajo de Turney, [ 6 ] y Pang [ 7 ] quienes aplicaron diferentes métodos para detectar la polaridad de las reseñas de productos y reseñas de películas respectivamente. Este trabajo está en el nivel del documento. También se puede clasificar la polaridad de un documento en una escala multidireccional, lo que fue intentado por Pang [ 8 ] y Snyder [ 9 ] entre otros: Pang y Lee [ 8 ] ampliaron la tarea básica de clasificar una reseña de película como positiva o negativa para predecir calificaciones de estrellas en una escala de 3 o 4 estrellas, mientras que Snyder [ 9 ] realizó un análisis en profundidad de las reseñas de restaurantes, prediciendo calificaciones para varios aspectos del restaurante en cuestión, como la comida y el ambiente (en una escala de cinco estrellas).

Los primeros pasos para reunir diversos enfoques —aprendizaje, léxico, basado en el conocimiento, etc.— se dieron en el Simposio de Primavera de la AAAI de 2004 , donde lingüistas, científicos informáticos y otros investigadores interesados ​​alinearon sus intereses y propusieron tareas compartidas y conjuntos de datos de referencia para la investigación computacional sistemática sobre el afecto, el atractivo, la subjetividad y el sentimiento en el texto. [ 10 ]

Aunque en la mayoría de los métodos de clasificación estadística, la clase neutral se ignora bajo el supuesto de que los textos neutrales se encuentran cerca del límite del clasificador binario, varios investigadores sugieren que, como en todo problema de polaridad, se deben identificar tres categorías. Además, se puede demostrar que clasificadores específicos como Max Entropy [ 11 ] y SVM [ 12 ] pueden beneficiarse de la introducción de una clase neutral y mejorar la precisión general de la clasificación. En principio, hay dos maneras de operar con una clase neutral. O bien, el algoritmo procede identificando primero el lenguaje neutral, filtrándolo y luego evaluando el resto en términos de sentimientos positivos y negativos, o bien construye una clasificación de tres vías en un solo paso. [ 13 ] Este segundo enfoque a menudo implica estimar una distribución de probabilidad sobre todas las categorías (por ejemplo, clasificadores bayesianos ingenuos como los implementados por NLTK ). El uso de una clase neutral, y cómo utilizarla, depende de la naturaleza de los datos: si estos se agrupan claramente en lenguaje neutral, negativo y positivo, conviene filtrar el lenguaje neutral y centrarse en la polaridad entre sentimientos positivos y negativos. Si, por el contrario, los datos son mayoritariamente neutrales con pequeñas desviaciones hacia el afecto positivo y negativo, esta estrategia dificultaría la distinción clara entre ambos extremos.

Un método diferente para determinar el sentimiento es el uso de un sistema de escalamiento donde a las palabras comúnmente asociadas con tener un sentimiento negativo, neutral o positivo se les asigna un número asociado en una escala de −10 a +10 (desde el más negativo hasta el más positivo) o simplemente de 0 a un límite superior positivo como +4. Esto permite ajustar el sentimiento de un término dado en relación con su entorno (generalmente a nivel de la oración). Cuando se analiza un fragmento de texto no estructurado mediante procesamiento del lenguaje natural , a cada concepto en el entorno especificado se le asigna una puntuación basada en la forma en que las palabras de sentimiento se relacionan con el concepto y su puntuación asociada. [ 14 ] [ 15 ] Esto permite avanzar hacia una comprensión más sofisticada del sentimiento, porque ahora es posible ajustar el valor del sentimiento de un concepto en relación con las modificaciones que puedan rodearlo. Las palabras, por ejemplo, que intensifican, relajan o niegan el sentimiento expresado por el concepto pueden afectar su puntuación. Alternativamente, a los textos se les puede asignar una puntuación de fuerza de sentimiento positiva y negativa si el objetivo es determinar el sentimiento en un texto en lugar de la polaridad y fuerza general del texto. [ 16 ]

Existen otros tipos de análisis de sentimientos, como el análisis de sentimientos basado en aspectos, el análisis de sentimientos por grados (positivo, negativo, neutro), el análisis de sentimientos multilingüe y la detección de emociones. [ 17 ] [ 18 ] [ 19 ]

Identificación de subjetividad/objetividad

Esta tarea se define comúnmente como la clasificación de un texto dado (generalmente una oración) en una de dos clases: objetivo o subjetivo. [ 20 ] Este problema a veces puede ser más difícil que la clasificación de polaridad. [ 21 ] La subjetividad de las palabras y frases puede depender de su contexto y un documento objetivo puede contener oraciones subjetivas (por ejemplo, un artículo de noticias que cita opiniones de personas). Además, como menciona Su, [ 22 ] los resultados dependen en gran medida de la definición de subjetividad utilizada al anotar textos. Sin embargo, Pang [ 23 ] demostró que eliminar las oraciones objetivas de un documento antes de clasificar su polaridad ayudó a mejorar el rendimiento.

La identificación subjetiva y objetiva, junto con las subtareas emergentes del análisis de sentimientos, utilizan características sintácticas y semánticas, así como conocimientos de aprendizaje automático, para determinar si una oración o documento contiene hechos u opiniones. La capacidad de reconocer hechos y opiniones no es reciente, ya que posiblemente fue presentada por primera vez por Carbonell en la Universidad de Yale en 1979.

El término objetivo se refiere al incidente que contiene información fáctica. [ 24 ]

  • Ejemplo de oración objetiva: 'Para ser elegido presidente de los Estados Unidos, un candidato debe tener al menos treinta y cinco años de edad.'

El término subjetivo describe el incidente que contiene información no fáctica en diversas formas, como opiniones personales, juicios y predicciones, también conocidas como "estados privados". [ 25 ] En el ejemplo que se muestra a continuación, refleja un estado privado "Nosotros los estadounidenses". Además, la entidad objetivo comentada por las opiniones puede adoptar varias formas, desde productos tangibles hasta temas intangibles, como se indica en Liu (2010). [ 26 ] Asimismo, Liu (2010) observó tres tipos de actitudes: 1) opiniones positivas, 2) opiniones neutrales y 3) opiniones negativas. [ 26 ]

  • Ejemplo de oración subjetiva: «Los estadounidenses necesitamos elegir un presidente maduro y capaz de tomar decisiones acertadas».

Este análisis es un problema de clasificación. [ 27 ]

Cada clase define colecciones de palabras o frases indicadores para localizar patrones deseables en texto sin anotar. Para la expresión subjetiva, se ha creado una lista de palabras diferente. Varias investigaciones en el campo de la lingüística y el procesamiento del lenguaje natural han desarrollado listas de indicadores subjetivos en palabras o frases, como se indica en Riloff et al. (2003). [ 28 ] Se debe crear un diccionario de reglas de extracción para medir expresiones dadas. A lo largo de los años, en la detección subjetiva, la extracción de características ha evolucionado desde la curación manual de características hasta el aprendizaje automatizado de características. Actualmente, los métodos de aprendizaje automatizado se pueden dividir en aprendizaje automático supervisado y no supervisado . La extracción de patrones con el proceso de aprendizaje automático en texto anotado y sin anotar ha sido explorada extensamente por investigadores académicos.

Sin embargo, los investigadores reconocieron varios desafíos para desarrollar conjuntos fijos de reglas para expresiones de manera adecuada. Gran parte de estos desafíos se derivan de la naturaleza de la información textual. Seis desafíos han sido identificados por diversos investigadores: 1) expresiones metafóricas, 2) discrepancias en la escritura, 3) sensibilidad al contexto, 4) palabras representadas con usos menos frecuentes, 5) sensibilidad al tiempo y 6) volumen cada vez mayor.

  1. Expresiones metafóricas. El texto contiene expresiones metafóricas que pueden afectar el rendimiento de la extracción. [ 29 ] Además, las metáforas adoptan diferentes formas, lo que puede haber contribuido al aumento de la detección.
  2. Discrepancias en los textos. En el caso del texto obtenido de Internet, las discrepancias en el estilo de escritura de los datos textuales analizados implican distintos géneros y estilos de escritura.
  3. Sensible al contexto. La clasificación puede variar según la subjetividad u objetividad de las oraciones anteriores y posteriores. [ 27 ]
  4. Atributo sensible al tiempo. La tarea se ve dificultada por el atributo de sensibilidad al tiempo de algunos datos textuales. Si un grupo de investigadores quiere confirmar un dato en las noticias, necesita más tiempo para la validación cruzada, ya que la noticia queda obsoleta.
  5. Palabras de referencia con menos frecuencia de uso.
  6. Volumen en constante aumento. La tarea también se ve dificultada por el enorme volumen de datos textuales. El crecimiento constante de estos datos hace que sea sumamente difícil para los investigadores completar la tarea a tiempo.

Anteriormente, la investigación se centraba principalmente en la clasificación a nivel de documento. Sin embargo, la clasificación a nivel de documento presenta menor precisión, ya que un artículo puede contener diversos tipos de expresiones. La evidencia investigada sugiere que un conjunto de artículos de noticias debería estar dominado por la expresión objetiva, mientras que los resultados muestran que contenían más del 40 % de expresión subjetiva. [ 24 ]

Para superar estos desafíos, los investigadores concluyen que la eficacia del clasificador depende de la precisión del algoritmo de aprendizaje de patrones. Y el algoritmo de aprendizaje alimentado con grandes volúmenes de datos de entrenamiento anotados superó a aquellos entrenados con características subjetivas menos completas. Sin embargo, uno de los principales obstáculos para llevar a cabo este tipo de trabajo es generar manualmente un gran conjunto de datos de oraciones anotadas.  El método de anotación manual ha sido menos favorecido que el aprendizaje automático por tres razones:

  1. Variaciones en la comprensión. En la tarea de anotación manual, pueden surgir desacuerdos entre los anotadores sobre si una instancia es subjetiva u objetiva debido a la ambigüedad de los idiomas.
  2. Errores humanos. La tarea de anotación manual es un trabajo minucioso que requiere una intensa concentración para completarlo.
  3. Requiere mucho tiempo. La tarea de anotación manual es un trabajo arduo. Riloff (1996) muestra que un anotador tarda 8 horas en terminar 160 textos. [ 30 ]

Todas estas razones pueden afectar la eficiencia y la efectividad de la clasificación subjetiva y objetiva. Por consiguiente, se diseñaron dos métodos de remuestreo (bootstrapping) para aprender patrones lingüísticos a partir de datos de texto sin anotar. Ambos métodos parten de un conjunto de palabras semilla y datos textuales sin anotar.

  1. Meta-Bootstrapping de Riloff y Jones en 1999. [ 31 ] Nivel uno: Generar patrones de extracción basados ​​en las reglas predefinidas y los patrones extraídos por la cantidad de palabras semilla que contiene cada patrón. Nivel dos: Las 5 palabras principales se marcarán y se agregarán al diccionario. Repetir.
  2. Basilisk ( Bootstrapping Approach to Semantic Lexico Induction using Semantic Knowledge ) de Thelen y Riloff. [ 32 ] Paso uno: Generar patrones de extracción. Paso dos: Mover los mejores patrones del grupo de patrones al grupo de palabras candidatas. Paso tres: Las 10 palabras principales se marcarán y se agregarán al diccionario. Repetir.

En general, estos algoritmos resaltan la necesidad de reconocimiento y extracción automáticos de patrones en tareas subjetivas y objetivas. [ 33 ]

Los clasificadores subjetivos y objetivos pueden mejorar diversas aplicaciones del procesamiento del lenguaje natural. Uno de los principales beneficios de estos clasificadores es que popularizaron la práctica de la toma de decisiones basada en datos en diversas industrias. Según Liu, las aplicaciones de identificación subjetiva y objetiva se han implementado en los negocios, la publicidad, los deportes y las ciencias sociales. [ 34 ]

  • Clasificación de reseñas en línea: En el sector empresarial, el clasificador ayuda a la empresa a comprender mejor las opiniones sobre el producto y los motivos que hay detrás de las reseñas.
  • Predicción del precio de las acciones: En el sector financiero, el clasificador ayuda al modelo de predicción procesando información auxiliar de las redes sociales y otra información textual de Internet. Estudios previos sobre el precio de las acciones japonesas realizados por Dong et al. indican que los modelos con módulos subjetivos y objetivos pueden tener un mejor rendimiento que aquellos que no incluyen esta parte. [ 35 ]
  • Análisis de redes sociales.
  • Clasificación de los comentarios de los estudiantes. [ 36 ]
  • Resumen del documento: El clasificador puede extraer comentarios específicos del objetivo y recopilar opiniones realizadas por una entidad en particular.
  • Respuesta a preguntas complejas. El clasificador puede analizar las preguntas complejas clasificando el sujeto lingüístico u objetivo y el público objetivo. En la investigación de Yu et al. (2003), el investigador desarrolló un agrupamiento a nivel de oración y documento que identifica artículos de opinión. [ 37 ]
  • Aplicaciones específicas de dominio.
  • Análisis de correo electrónico: El clasificador subjetivo y objetivo detecta el spam mediante el seguimiento de patrones lingüísticos con palabras clave.

Basado en características/aspectos

Se refiere a determinar las opiniones o sentimientos expresados ​​sobre diferentes características o aspectos de entidades, por ejemplo, de un teléfono celular, una cámara digital o un banco. [ 38 ] Una característica o aspecto es un atributo o componente de una entidad, por ejemplo, la pantalla de un teléfono celular, el servicio de un restaurante o la calidad de imagen de una cámara. La ventaja del análisis de sentimientos basado en características es la posibilidad de capturar matices sobre los objetos de interés. Diferentes características pueden generar diferentes respuestas de sentimiento, por ejemplo, un hotel puede tener una ubicación conveniente, pero comida mediocre. [ 39 ] Este problema implica varios subproblemas, por ejemplo, identificar entidades relevantes, extraer sus características/aspectos y determinar si una opinión expresada sobre cada característica/aspecto es positiva, negativa o neutral. [ 40 ] La identificación automática de características se puede realizar con métodos sintácticos, con modelado de temas , [ 41 ] [ 42 ] o con aprendizaje profundo . [ 43 ] [ 44 ] En el trabajo de Liu se pueden encontrar discusiones más detalladas sobre este nivel de análisis de sentimientos. [ 26 ]

Clasificación de intensidad

Las emociones y los sentimientos son subjetivos por naturaleza. El grado de emociones/sentimientos expresados ​​en un texto dado a nivel de documento, oración o característica/aspecto —cuánto grado de intensidad se expresa en la opinión de un documento, una oración o una entidad— difiere en cada caso. [ 45 ] Sin embargo, predecir solo la emoción y el sentimiento no siempre transmite información completa. El grado o nivel de emociones y sentimientos suele desempeñar un papel crucial en la comprensión del sentimiento exacto dentro de una sola clase (por ejemplo, "bueno" frente a "genial"). Algunos métodos aprovechan un método de conjunto apilado [ 46 ] para predecir la intensidad de la emoción y el sentimiento combinando las salidas obtenidas y utilizando modelos de aprendizaje profundo basados ​​en redes neuronales convolucionales , [ 47 ] redes de memoria a corto y largo plazo y unidades recurrentes con compuerta . [ 48 ]

Métodos y características

Los enfoques existentes para el análisis de sentimientos se pueden agrupar en tres categorías principales: técnicas basadas en el conocimiento, métodos estadísticos y enfoques híbridos. [ 49 ] Las técnicas basadas en el conocimiento clasifican el texto por categorías de afecto basadas en la presencia de palabras de afecto inequívocas como feliz, triste, asustado y aburrido. [ 50 ] Algunas bases de conocimiento no solo enumeran palabras de afecto obvias, sino que también asignan palabras arbitrarias una probable "afinidad" a emociones particulares. [ 51 ] Los métodos estadísticos aprovechan elementos del aprendizaje automático como el análisis semántico latente , las máquinas de vectores de soporte , la " bolsa de palabras ", la " información mutua puntual " para la orientación semántica, [ 6 ] modelos de espacio semántico o modelos de incrustación de palabras , [ 52 ] y el aprendizaje profundo . Los métodos más sofisticados intentan detectar al poseedor de un sentimiento (es decir, la persona que mantiene ese estado afectivo) y el objetivo (es decir, la entidad sobre la que se siente el afecto). [ 53 ] Para extraer la opinión en contexto y obtener la característica sobre la que el hablante ha opinado, se utilizan las relaciones gramaticales de las palabras. Las relaciones de dependencia gramatical se obtienen mediante un análisis profundo del texto. [ 54 ] Los enfoques híbridos aprovechan tanto el aprendizaje automático como elementos de la representación del conocimiento, como ontologías y redes semánticas, para detectar semántica que se expresa de manera sutil, por ejemplo, a través del análisis de conceptos que no transmiten explícitamente información relevante, pero que están implícitamente vinculados a otros conceptos que sí lo hacen. [ 55 ]

Las herramientas de software de código abierto, así como una variedad de herramientas de análisis de sentimientos gratuitas y de pago, emplean técnicas de aprendizaje automático , estadística y procesamiento del lenguaje natural para automatizar el análisis de sentimientos en grandes colecciones de textos, incluyendo páginas web, noticias en línea, grupos de discusión en internet, reseñas en línea, blogs web y redes sociales. [ 56 ] Los sistemas basados ​​en el conocimiento, por otro lado, utilizan recursos disponibles públicamente para extraer la información semántica y afectiva asociada con conceptos del lenguaje natural. El sistema puede ayudar a realizar razonamiento de sentido común afectivo . [ 57 ] El análisis de sentimientos también se puede realizar en contenido visual, es decir, imágenes y videos (ver Análisis de sentimientos multimodal ). Uno de los primeros enfoques en esta dirección es SentiBank [ 58 ] que utiliza una representación de pares adjetivo-sustantivo del contenido visual. Además, la gran mayoría de los enfoques de clasificación de sentimientos se basan en el modelo de bolsa de palabras, que ignora el contexto, la gramática e incluso el orden de las palabras . Los enfoques que analizan el sentimiento basándose en cómo las palabras componen el significado de frases más largas han mostrado mejores resultados, [ 59 ] pero conllevan una sobrecarga de anotación adicional.

Se requiere un componente de análisis humano en el análisis de sentimientos, ya que los sistemas automatizados no pueden analizar las tendencias históricas del comentarista individual ni de la plataforma, y ​​a menudo clasifican incorrectamente el sentimiento expresado. La automatización afecta aproximadamente al 23 % de los comentarios que son clasificados correctamente por humanos. [ 60 ] Sin embargo, los humanos suelen discrepar, y se argumenta que el acuerdo entre humanos proporciona un límite superior que los clasificadores de sentimientos automatizados pueden alcanzar eventualmente. [ 61 ]

Evaluación

La precisión de un sistema de análisis de sentimientos es, en principio, qué tan bien coincide con los juicios humanos. Esto generalmente se mide mediante indicadores basados ​​en la precisión y la exhaustividad en las dos categorías objetivo de textos negativos y positivos. Sin embargo, según las investigaciones, los evaluadores humanos suelen coincidir solo alrededor del 80 % [ 62 ] de las veces (véase Fiabilidad entre evaluadores ).

Por otro lado, los sistemas informáticos cometerán errores muy diferentes a los de los evaluadores humanos, por lo que las cifras no son del todo comparables. Por ejemplo, un sistema informático tendrá dificultades con las negaciones, las exageraciones, las bromas o el sarcasmo, que suelen ser fáciles de manejar para un lector humano: algunos errores que comete un sistema informático parecerán demasiado ingenuos para un humano. En general, se ha cuestionado la utilidad del análisis de sentimientos, tal como se define en la investigación académica, para tareas comerciales prácticas, principalmente porque el modelo unidimensional simple de sentimiento, de negativo a positivo, proporciona poca información útil para un cliente preocupado por el efecto del discurso público en, por ejemplo, la reputación de una marca o una empresa. [ 63 ] [ 64 ] [ 65 ]

Para adaptarse mejor a las necesidades del mercado, la evaluación del análisis de sentimiento se ha orientado hacia medidas más basadas en tareas, formuladas en colaboración con representantes de agencias de relaciones públicas y profesionales de la investigación de mercado. Por ejemplo, el conjunto de datos de evaluación de RepLab se centra menos en el contenido del texto en cuestión y más en su efecto sobre la reputación de la marca . [ 66 ] [ 67 ] [ 68 ]

Dado que la evaluación del análisis de sentimientos se basa cada vez más en tareas específicas, cada implementación requiere un modelo de entrenamiento independiente para obtener una representación más precisa del sentimiento en un conjunto de datos determinado. A medida que los motores de respuesta basados ​​en LLM se generalizan, los métodos de evaluación se han ampliado para incluir herramientas que rastrean cómo estos sistemas hacen referencia a las entidades. Algunos ejemplos de enfoques emergentes para evaluar la ponderación contextual y el sentimiento en las salidas de LLM son Semrush AI Visibility Toolkit o Enterprise AIO , que analizan cómo se presentan las entidades en las respuestas generadas. [ 69 ]

Web 2.0

El auge de las redes sociales, como los blogs y las plataformas digitales, ha impulsado el interés por el análisis de sentimientos. Con la proliferación de reseñas, calificaciones, recomendaciones y otras formas de expresión en línea, la opinión pública se ha convertido en una especie de moneda virtual para las empresas que buscan comercializar sus productos, identificar nuevas oportunidades y gestionar su reputación. A medida que las empresas buscan automatizar el proceso de filtrar el ruido, comprender las conversaciones, identificar el contenido relevante y actuar en consecuencia, muchas recurren ahora al campo del análisis de sentimientos. [ 70 ] Para complicar aún más la situación, surge el auge de plataformas anónimas de redes sociales como 4chan y Reddit . [ 71 ] Si la web 2.0 se centró en democratizar la publicación, la siguiente etapa de la web bien podría basarse en democratizar la minería de datos de todo el contenido publicado. [ 72 ]

Un paso hacia este objetivo se logra mediante la investigación. Varios equipos de investigación en universidades de todo el mundo se centran actualmente en comprender la dinámica del sentimiento en las comunidades electrónicas a través del análisis de sentimientos. [ 73 ]

El problema radica en que la mayoría de los algoritmos de análisis de sentimientos utilizan términos sencillos para expresar opiniones sobre un producto o servicio. Sin embargo, factores culturales, matices lingüísticos y diferentes contextos dificultan enormemente la conversión de una cadena de texto escrito en una simple opinión a favor o en contra. [ 70 ] El hecho de que los humanos a menudo discrepen sobre el sentimiento expresado en un texto demuestra la magnitud de la tarea que supone para las computadoras interpretar correctamente este aspecto. Cuanto más corta sea la cadena de texto, más difícil resultará.

Aunque las cadenas de texto cortas puedan ser un problema, el análisis de sentimientos en el microblogging ha demostrado que Twitter puede considerarse un indicador válido en línea del sentimiento político. El sentimiento político de los tuits muestra una estrecha correspondencia con las posiciones políticas de los partidos y los políticos, lo que indica que el contenido de los mensajes de Twitter refleja plausiblemente el panorama político fuera de línea. [ 74 ] Además, se ha demostrado que el análisis de sentimientos en Twitter también capta el estado de ánimo público en torno a los ciclos de reproducción humana a nivel mundial, [ 75 ] así como otros problemas de relevancia para la salud pública, como las reacciones adversas a los medicamentos. [ 76 ]

Si bien el análisis de sentimientos ha sido popular en ámbitos donde los autores expresan su opinión de forma explícita ("la película es genial"), como las redes sociales y las reseñas de productos, solo recientemente se han desarrollado métodos robustos para otros ámbitos donde el sentimiento es fuertemente implícito o indirecto. Por ejemplo, en los artículos de noticias —principalmente debido a la objetividad periodística esperada— los periodistas suelen describir acciones o eventos en lugar de indicar directamente la polaridad de una información. Los enfoques anteriores que utilizaban diccionarios o características de aprendizaje automático superficiales no lograban captar el "significado entre líneas", pero recientemente los investigadores han propuesto un enfoque y un conjunto de datos basados ​​en aprendizaje profundo que permiten analizar el sentimiento en los artículos de noticias. [ 1 ]

Los investigadores han utilizado el análisis de sentimientos para analizar las publicaciones sobre salud y seguridad en la construcción en Twitter (ahora llamado X). La investigación reveló una correlación positiva entre los "me gusta" y los retuits en términos de valencia del sentimiento. Otros han examinado el impacto de YouTube en la difusión del conocimiento sobre salud y seguridad en la construcción. Investigaron cómo las emociones influyen en el comportamiento de los usuarios en cuanto a la visualización y los comentarios mediante análisis semántico. En otro estudio, el sentimiento positivo representó un abrumador 85 % en el intercambio de conocimientos sobre seguridad y salud en la construcción a través de Instagram. [ 77 ]

Aplicación en sistemas de recomendación

Para un sistema de recomendación , el análisis de sentimientos ha demostrado ser una técnica valiosa. Un sistema de recomendación busca predecir la preferencia de un usuario objetivo por un artículo. Los sistemas de recomendación convencionales trabajan con conjuntos de datos explícitos. Por ejemplo, el filtrado colaborativo trabaja con la matriz de calificaciones, y el filtrado basado en contenido trabaja con los metadatos de los artículos.

En muchos servicios de redes sociales o sitios web de comercio electrónico , los usuarios pueden proporcionar reseñas, comentarios o comentarios sobre los artículos. Estos textos generados por los usuarios constituyen una rica fuente de opiniones sobre los sentimientos de los usuarios respecto a numerosos productos y artículos. Potencialmente, para un artículo, dicho texto puede revelar tanto las características/aspectos relacionados con el artículo como los sentimientos de los usuarios sobre cada característica. [ 78 ] Las características/aspectos del artículo descritos en el texto desempeñan el mismo papel que los metadatos en el filtrado basado en contenido , pero los primeros son más valiosos para el sistema de recomendación. Dado que estas características son ampliamente mencionadas por los usuarios en sus reseñas, pueden considerarse las características más cruciales que pueden influir significativamente en la experiencia del usuario con el artículo, mientras que los metadatos del artículo (generalmente proporcionados por los productores en lugar de los consumidores) pueden ignorar características que preocupan a los usuarios. Para diferentes artículos con características comunes, un usuario puede expresar diferentes sentimientos. Además, una característica del mismo artículo puede recibir diferentes sentimientos de diferentes usuarios. Los sentimientos de los usuarios sobre las características pueden considerarse como una puntuación de calificación multidimensional, que refleja su preferencia por los elementos. [ 79 ]

Basándose en las características/aspectos y los sentimientos extraídos del texto generado por el usuario, se puede construir un sistema de recomendación híbrido. [ 80 ] Hay dos tipos de motivación para recomendar un elemento candidato a un usuario. La primera es que el elemento candidato tenga numerosas características comunes con los elementos preferidos del usuario, [ 81 ] mientras que la segunda es que el elemento candidato reciba un sentimiento alto en sus características. Para un elemento preferido, es razonable creer que los elementos con las mismas características tendrán una función o utilidad similar. Por lo tanto, es probable que estos elementos también sean preferidos por el usuario. Por otro lado, para una característica compartida por dos elementos candidatos, otros usuarios pueden dar un sentimiento positivo a uno de ellos y negativo al otro. Claramente, el elemento mejor evaluado debe recomendarse al usuario. Basándose en estas dos motivaciones, se puede construir una puntuación de clasificación combinada de similitud y calificación de sentimiento para cada elemento candidato. [ 80 ]

Además de la dificultad del análisis de sentimientos en sí, su aplicación a reseñas o comentarios también se enfrenta al desafío del spam y las reseñas sesgadas. Una línea de investigación se centra en evaluar la utilidad de cada reseña. [ 82 ] Las reseñas o comentarios mal redactados no son útiles para un sistema de recomendación. Además, una reseña puede diseñarse para obstaculizar las ventas de un producto específico, lo que la hace perjudicial para el sistema de recomendación, incluso si está bien escrita.

Los investigadores también descubrieron que los textos generados por los usuarios, tanto largos como cortos, deben tratarse de manera diferente. Un resultado interesante muestra que las reseñas cortas a veces son más útiles que las largas [ 83 ] , porque es más fácil filtrar el ruido en un texto corto. En el caso del texto largo, el aumento de su longitud no siempre conlleva un incremento proporcional en la cantidad de características o sentimientos que contiene.

Lamba y Madhusudhan [ 84 ] presentan una nueva forma de satisfacer las necesidades de información de los usuarios actuales de las bibliotecas, mediante la reorganización de los resultados del análisis de sentimientos de plataformas de redes sociales como Twitter y su presentación como un servicio consolidado basado en el tiempo y disponible en diferentes formatos. Además, proponen una nueva manera de realizar marketing en bibliotecas utilizando la minería de datos de redes sociales y el análisis de sentimientos.

Consideraciones éticas

Cuestiones como la privacidad, el consentimiento y el sesgo son cruciales, ya que el análisis de sentimientos analiza habitualmente datos personales sin el consentimiento explícito del usuario. El potencial de mala interpretación y uso indebido de los datos de sentimientos puede tener un impacto significativo en las normas sociales. Además, el desarrollo de marcos éticos, como se observa en proyectos como SEWA, donde se establecen Consejos Asesores de Ética y Valorización Industrial, es esencial para abordar estos desafíos. Estos consejos ayudan a garantizar que las tecnologías de análisis de sentimientos se utilicen de forma responsable, especialmente en aplicaciones que implican el reconocimiento de emociones y comportamientos humanos. Dichos marcos son vitales para guiar el uso responsable de las herramientas de análisis de sentimientos, asegurando que promuevan la equidad y respeten la autonomía del usuario, y que aborden eficazmente tanto las cuestiones éticas rutinarias como las complejas. [ 85 ]

Véase también

Referencias

  1. 1 2 Hamborg, Felix; Donnay, Karsten (2021). "NewsMTSC: Un conjunto de datos para la clasificación de sentimientos dependiente de (múltiples) objetivos en artículos de noticias políticas" . En Merlo, Paola; Tiedemann, Jorg; Tsarfaty, Reut (eds.). Actas de la 16.ª Conferencia del Capítulo Europeo de la Asociación de Lingüística Computacional: Volumen principal . Asociación de Lingüística Computacional. pp. 1663–1675 . doi : 10.18653/v1/2021.eacl-main.142 . 
  2. ^ Vong Anh Ho, Duong Huynh-Cong Nguyen, Danh Hoang Nguyen, Linh Thi-Van Pham, Duc-Vu Nguyen, Kiet Van Nguyen, Ngan Luu-Thuy Nguyen. "Reconocimiento de emociones para texto de redes sociales vietnamitas". En Actas de la Conferencia Internacional de 2019 de la Asociación del Pacífico de Lingüística Computacional (PACLING 2019), Hanoi, Vietnam (2019).
  3. ↑ Stone, Philip J., Dexter C. Dunphy y Marshall S. Smith. "El investigador general: Un enfoque informático para el análisis de contenido". MIT Press, Cambridge, MA (1966).
  4. ↑ Gottschalk, Louis August y Goldine C. Gleser . La medición de estados psicológicos mediante el análisis de contenido del comportamiento verbal. Univ. de California Press, 1969.
  5. ↑ EE. UU. Emitido 7,136,877 , Volcani, Yanon; y Fogel, David B., "Sistema y método para determinar y controlar el impacto del texto", publicado el 28 de junio de 2001. Archivado el 28 de octubre de 2017 en Wayback Machine . 
  6. 1 2 Turney, Peter (2002). "¿Pulgar arriba o pulgar abajo? Orientación semántica aplicada a la clasificación no supervisada de reseñas". Actas de la Asociación de Lingüística Computacional . págs. 417–424 . arXiv : cs.LG/0212032 . 
  7. ↑ Pang, Bo; Lee, Lillian ; Vaithyanathan, Shivakumar (2002). "¿Pulgar arriba? Clasificación de sentimientos mediante técnicas de aprendizaje automático" . Actas de la Conferencia sobre Métodos Empíricos en Procesamiento del Lenguaje Natural (EMNLP) . págs. 79–86 . 
  8. 1 2 Pang, Bo; Lee, Lillian (2005). "Viendo estrellas: Explotando relaciones de clase para la categorización de sentimientos con respecto a escalas de calificación" . Actas de la Asociación de Lingüística Computacional (ACL) . págs. 115–124 . 
  9. 1 2 Snyder, Benjamin; Barzilay, Regina (2007). "Clasificación de múltiples aspectos mediante el algoritmo Good Grief" . Actas de la Conferencia Conjunta de Tecnología del Lenguaje Humano/Capítulo Norteamericano de la ACL (HLT-NAACL) . págs. 300–307 . Archivado del original el 6 de agosto de 2016. Recuperado el 16 de junio de 2009 . 
  10. ↑ Qu, Yan, James Shanahan y Janyce Wiebe . «Explorando la actitud y el afecto en el texto: teorías y aplicaciones». En AAAI Spring Symposium, Informe técnico SS-04-07. AAAI Press, Menlo Park, CA. 2004.
  11. ↑ Vryniotis, Vasilis (2013). La importancia de la clase neutral en el análisis de sentimientos .
  12. ^ Koppel, Moshé; Schler, Jonathan (2006). "La importancia de ejemplos neutrales para aprender el sentimiento". Inteligencia Computacional 22 . págs. 100–109 . CiteSeerX 10.1.1.84.9735 .  
  13. ↑ Ribeiro, Filipe Nunes; Araujo, Matheus (2010). "Una comparación de referencia de los métodos de análisis de sentimientos de última generación" . Transactions on Embedded Computing Systems . 9 (4).
  14. ↑ Taboada, Maite; Brooke, Julian (2011). "Métodos basados ​​en léxico para el análisis de sentimientos" . Lingüística Computacional . 37 (2): 272– 274. CiteSeerX 10.1.1.188.5517 . doi : 10.1162/coli_a_00049 . S2CID 3181362 .  
  15. ↑ Augustyniak, Lukasz; Szymanski, Piotr; Kajdanowicz, Tomasz; Tuligłowicz, Włodzimierz (25 de diciembre de 2015). "Estudio integral sobre el análisis de sentimientos de clasificación por conjuntos basado en léxico" . Entropía . 18 (1): 4. Bibcode : 2015Entrp..18....4A . doi : 10.3390/e18010004 .
  16. ↑ Thelwall, Mike; Buckley, Kevan; Paltoglou, Georgios; Cai, Di; Kappas, Arvid (2010). "Detección de la intensidad del sentimiento en textos informales cortos" . Journal of the American Society for Information Science and Technology . 61 (12): 2544– 2558. Bibcode : 2010JASIS..61.2544T . CiteSeerX 10.1.1.278.3863 . doi : 10.1002/asi.21416 . Archivado del original el 1 de febrero de 2021. Recuperado el 20 de junio de 2011 . 
  17. ↑ Liu, Bing (2022). Análisis de sentimientos y minería de opiniones . Springer Nature.
  18. ^ Zhang, Wenxuan; Li, Xin; Deng, Yang; Bing, Lidong; Lam, Wai (2021). Hacia un análisis de sentimiento generativo basado en aspectos . Asociación de Lingüística Computacional.
  19. ↑ Muhammad, Shamsuddeen Hassan; Ousidhoum, Nedjma; Abdulmumin, Idris; Wahle, Jan Philip; Ruas, Terry (2025). Che, Wanxiang; Nabende, Joyce; Shutova, Ekaterina; Pilehvar, Mohammad Taher (eds.). BRIGHTER: Cerrando la brecha en los conjuntos de datos de reconocimiento de emociones textuales anotados por humanos para 28 idiomas . Actas de la 63.ª Reunión Anual de la Asociación de Lingüística Computacional (Volumen 1: Artículos extensos), páginas 8895–8916, Viena, Austria. Asociación de Lingüística Computacional. Viena, Austria: Asociación de Lingüística Computacional. págs. 8895–8916 . doi : 10.18653/v1/2025.acl-long.436 . ISBN  979-8-89176-251-0.
  20. ↑ Pang, Bo; Lee, Lillian (2008). "4.1.2 Detección de subjetividad e identificación de opiniones" . Minería de opiniones y análisis de sentimientos . Now Publishers Inc.
  21. ↑ Mihalcea, Rada; Banea, Carmen; Wiebe, Janyce (2007). "Aprendizaje del lenguaje subjetivo multilingüe mediante proyecciones interlingüísticas" (PDF) . Actas de la Asociación de Lingüística Computacional (ACL) . págs. 976–983 . Archivado del original (PDF) el 8 de julio de 2010. 
  22. ↑ Su, Fangzhong; Markert, Katja (2008). "De las palabras a los sentidos: un estudio de caso en el reconocimiento de la subjetividad" (PDF) . Actas de Coling 2008, Manchester, Reino Unido .
  23. ↑ Pang, Bo; Lee, Lillian (2004). "Una educación sentimental: análisis de sentimientos mediante resumen de subjetividad basado en cortes mínimos" . Actas de la Asociación de Lingüística Computacional (ACL) . págs. 271–278 . 
  24. 1 2 Wiebe, Janyce ; Riloff, Ellen (2005). "Creación de clasificadores de oraciones subjetivos y objetivos a partir de textos sin anotar" . En Gelbukh, Alexander (ed.). Lingüística computacional y procesamiento inteligente de textos . Lecture Notes in Computer Science. Vol. 3406. Berlín, Heidelberg: Springer. pp. 486–497 . doi : 10.1007/978-3-540-30586-6_53 . ISBN   978-3-540-30586-6.
  25. ↑ Quirk, Randolph; Greenbaum, Sidney; Geoffrey, Leech; Jan, Svartvik (1985). Gramática completa del idioma inglés (Gramática general) . Longman . págs. 175–239 . ISBN  1-933108-31-2.
  26. 1 2 3 Liu, Bing (2010). "Análisis de sentimientos y subjetividad" (PDF) . En Indurkhya, N.; Damerau, FJ (eds.). Manual de procesamiento del lenguaje natural (Segunda edición). 
  27. 1 2 Pang, Bo; Lee, Lillian (6 de julio de 2008). "Minería de opiniones y análisis de sentimientos" . Fundamentos y tendencias en la recuperación de información . 2 ( 1–2 ): 1–135 . doi : 10.1561/1500000011 . ISSN 1554-0669 . S2CID 207178694 .  
  28. ↑ Riloff, Ellen; Wiebe, Janyce (11 de julio de 2003). "Aprendizaje de patrones de extracción para expresiones subjetivas". Actas de la conferencia de 2003 sobre métodos empíricos en el procesamiento del lenguaje natural - . EMNLP '03. Vol. 10. EE. UU.: Asociación de Lingüística Computacional. págs. 105–112 . doi : 10.3115/1119355.1119369 . S2CID 6541910 .   
  29. ↑ Wiebe, Janyce ; Riloff, Ellen (julio de 2011). "Encontrar un beneficio mutuo entre el análisis de la subjetividad y la extracción de información". IEEE Transactions on Affective Computing . 2 (4): 175– 191. Bibcode : 2011ITAfC...2..175W . doi : 10.1109/T-AFFC.2011.19 . ISSN 1949-3045 . S2CID 16820846 .  
  30. ↑ Riloff, Ellen (1 de agosto de 1996). "Un estudio empírico de la construcción automatizada de diccionarios para la extracción de información en tres dominios" . Inteligencia Artificial . 85 (1): 101– 134. doi : 10.1016/0004-3702(95)00123-9 . ISSN 0004-3702 . 
  31. ↑ Riloff, Ellen; Jones, Rosie (julio de 1999). "Diccionarios de aprendizaje para la extracción de información mediante arranque multinivel" (PDF) . AAAI '99/IAAI '99: Actas de la decimosexta Conferencia Nacional sobre Inteligencia Artificial y la undécima Conferencia sobre Aplicaciones Innovadoras de la Inteligencia Artificial : 474–479 .
  32. ↑ Thelen, Michael; Riloff, Ellen (6 de julio de 2002). "Un método de arranque para aprender léxicos semánticos utilizando contextos de patrones de extracción". Actas de la conferencia ACL-02 sobre métodos empíricos en el procesamiento del lenguaje natural - EMNLP '02 . Vol. 10. EE. UU.: Asociación de Lingüística Computacional. págs. 214–221 . doi : 10.3115/1118693.1118721 . S2CID 137155 .   
  33. ↑ Sweta, Soni (2024). Análisis de sentimientos y su aplicación en la minería de datos educativos (SpringerBriefs in Computational Intelligence) . Berlín, Heidelberg: Springer. p. 30. ISBN  978-9819724734.
  34. ↑ Liu, Bing (23 de mayo de 2012). "Análisis de sentimientos y minería de opiniones" . Synthesis Lectures on Human Language Technologies . 5 (1): 1– 167. doi : 10.2200/S00416ED1V01Y201204HLT016 . ISSN 1947-4040 . S2CID 38022159. Archivado del original el 10 de mayo de 2021. Recuperado el 9 de diciembre de 2020 .  
  35. ↑ Deng, Shangkun; Mitsubuchi, Takashi; Shioda, Kei; Shimada, Tatsuro; Sakurai, Akito (diciembre de 2011). "Combinación de análisis técnico con análisis de sentimiento para la predicción del precio de las acciones" . Novena Conferencia Internacional IEEE de 2011 sobre Computación Confiable, Autónoma y Segura . IEEE. págs. 800–807 . doi : 10.1109/dasc.2011.138 . ISBN  978-1-4673-0006-3. S2CID 15262023 . 
  36. ^ Nguyen, Kiet Van; Nguyen, Vu Duc; Nguyen, Phu XV; Truong, Tham TH; Nguyen, Ngan LT. (1 de octubre de 2018). "UIT-VSFC: corpus de comentarios de estudiantes vietnamitas para el análisis de sentimientos". 2018 10° Congreso Internacional sobre Conocimiento e Ingeniería de Sistemas (KSE) . Vietnam: IEEE. págs. 19 a 24. doi : 10.1109/KSE.2018.8573337 . ISBN  978-1-5386-6113-0. S2CID 56172224 . 
  37. ↑ Yu, Hong; Hatzivassiloglou, Vasileios (11 de julio de 2003). "Hacia la respuesta a preguntas de opinión". Actas de la conferencia de 2003 sobre métodos empíricos en el procesamiento del lenguaje natural - EMNLP '03. Vol. 10. EE. UU.: Asociación de Lingüística Computacional. págs. 129–136 . doi : 10.3115/1119355.1119372 .  
  38. ↑ Hu, Minqing; Liu, Bing (2004). "Extracción y resumen de reseñas de clientes" . Actas de KDD 2004 .
  39. ↑ Cataldi, Mario; Ballatore, Andrea; Tiddi, Ilaria; Aufaure, Marie-Aude (22 de junio de 2013). "Buena ubicación, comida terrible: detección de sentimiento de características en reseñas generadas por usuarios". Análisis y minería de redes sociales . 3 (4): 1149– 1163. CiteSeerX 10.1.1.396.9313 . doi : 10.1007/s13278-013-0119-7 . ISSN 1869-5450 . S2CID 5025282 .   
  40. ↑ Liu, Bing; Hu, Minqing; Cheng, Junsheng (2005). "Observador de opiniones: análisis y comparación de opiniones en la web" . Actas de WWW 2005 .
  41. ↑ Zhai, Zhongwu; Liu, Bing; Xu, Hua; Jia, Peifa (1 de enero de 2011). "LDA restringido para agrupar características de productos en minería de opiniones". En Huang, Joshua Zhexue; Cao, Longbing; Srivastava, Jaideep (eds.). Avances en descubrimiento de conocimiento y minería de datos . Notas de clase en ciencias de la computación. Vol. 6634. Springer Berlin Heidelberg. págs. 448–459 . CiteSeerX 10.1.1.221.5178 . doi : 10.1007/978-3-642-20841-6_37 . ISBN    978-3-642-20840-9.
  42. ↑ Titov, Ivan; McDonald, Ryan (1 de enero de 2008). «Modelado de reseñas en línea con modelos de temas multigrano». Actas de la 17.ª conferencia internacional sobre la World Wide Web . WWW '08. Nueva York, NY, EE. UU.: ACM. págs. 111–120 . arXiv : 0801.1063 . doi : 10.1145/1367497.1367513 . ISBN  978-1-60558-085-2. S2CID 13609860 . 
  43. ↑ Liang, Bin; et al. (2022). "Análisis de sentimiento basado en aspectos mediante redes neuronales convolucionales de grafos mejoradas con conocimiento afectivo" . Knowledge-Based Systems . 235 107643. doi : 10.1016/j.knosys.2021.107643 . S2CID 237258427 .  
  44. ↑ Ma, Yukun; et al. (2018). "Análisis de sentimiento basado en aspectos dirigido mediante la incorporación de conocimiento de sentido común en una LSTM atenta". Actas de la AAAI . págs. 5876–5883 .  
  45. ↑ Sharma, Raksha; Somani; Kumar; Bhattacharyya (2017). "Clasificación de la intensidad del sentimiento entre adjetivos mediante incrustaciones de palabras que contienen sentimientos" (PDF) . Asociación de Lingüística Computacional : 547–552 .
  46. ↑ MS Akhtar, A. Ekbal y E. Cambria, "¿Qué tan intenso eres? Predicción de intensidades de emociones y sentimientos usando Stacked Ensemble [Notas de aplicación]," en IEEE Computational Intelligence Magazine , vol. 15, no. 1, pp. 64-75, febrero de 2020, doi: 10.1109/MCI.2019.2954667.
  47. ↑ X. Ouyang, P. Zhou, CH Li y L. Liu, "Análisis de sentimientos mediante redes neuronales convolucionales", 2015 IEEE International Conference on Computer and Information Technology; Ubiquitous Computing and Communications; Dependable, Autonomic and Secure Computing; Pervasive Intelligence and Computing, 2015, pp. 2359-2364, doi: 10.1109/CIT/IUCC/DASC/PICOM.2015.349.
  48. ↑ Y. Santur, "Análisis de sentimiento basado en unidad recurrente con compuerta", Simposio internacional de inteligencia artificial y procesamiento de datos (IDAP) de 2019, pp. 1-5, doi: 10.1109/IDAP.2019.8875985.
  49. ↑ Cambria, E; Schuller, B; Xia, Y; Havasi, C (2013). "Nuevas vías en la minería de opiniones y el análisis de sentimientos". IEEE Intelligent Systems . 28 (2): 15– 21. Bibcode : 2013IISys..28b..15C . CiteSeerX 10.1.1.688.1384 . doi : 10.1109/MIS.2013.30 . S2CID 12104996 .  
  50. ↑ Ortony, Andrew; Clore, G; Collins, A (1988). La estructura cognitiva de las emociones (PDF) . Cambridge Univ. Press. Archivado del original (PDF) el 23 de noviembre de 2015.
  51. ↑ Stevenson, Ryan; Mikels, Joseph; James, Thomas (2007). "Caracterización de las normas afectivas para palabras en inglés mediante categorías emocionales discretas" . Behavior Research Methods . 39 (4): 1020– 1024. doi : 10.3758/bf03192999 . PMID 18183921. S2CID 6673690 .  
  52. ↑ Sahlgren, Magnus ; Karlgren, Jussi; Eriksson, Gunnar (2007). "Anotación de valencia basada en semillas en el espacio de palabras". Actas del Cuarto Taller Internacional sobre Evaluaciones Semánticas (SemEval-2007) .
  53. ↑ Kim, SM; Hovy, EH (2006). «Identificación y análisis de opiniones basadas en juicios». (PDF) . Actas de la conferencia de Tecnología del Lenguaje Humano / Asociación Norteamericana de Lingüística Computacional (HLT-NAACL 2006). Nueva York, NY . Archivado del original (PDF) el 29 de junio de 2011.
  54. ↑ Dey, Lipika; Haque, SK Mirajul (2008). "Minería de opiniones a partir de datos de texto ruidosos" . Actas del segundo taller sobre análisis de datos de texto no estructurados ruidosos, págs. 83-90 .
  55. ↑ Cambria, E; Hussain, A (2015). Sentic Computing: A Common-Sense-Based Framework for Concept-Level Sentiment Analysis . Springer. ISBN 978-3-319-23654-4.
  56. ↑ Akcora, Cuneyt Gurcan; Bayir, Murat Ali; Demirbas, Murat; Ferhatosmanoglu, Hakan (2010). "Identificación de puntos de inflexión en la opinión pública" . SigKDD, Actas del Primer Taller sobre Análisis de Redes Sociales .
  57. ↑ Cambria, Erik; Liu, Qian; Decherchi, Sergio; Xing, Frank; Kwok, Kenneth (2022). "SenticNet 7: Un marco de IA neurosimbólica basado en el sentido común para el análisis de sentimientos explicable" (PDF) . Actas de LREC . págs. 3829–3839 . 
  58. ↑ Borth, Damian; Ji, Rongrong; Chen, Tao; Breuel, Thomas; Chang, Shih-Fu (2013). "Ontología y detectores de sentimiento visual a gran escala mediante pares de adjetivos y sustantivos" . Actas de la Conferencia Internacional ACM sobre Multimedia . págs. 223–232 . Archivado del original el 15 de abril de 2021. Recuperado el 2 de noviembre de 2017 . 
  59. ↑ Socher, Richard; Perelygin, Alex; Wu, Jean Y.; Chuang, Jason; Manning, Christopher D.; Ng, Andrew Y.; Potts, Christopher (2013). "Modelos profundos recursivos para la composicionalidad semántica sobre un banco de árboles de sentimiento". En Actas de EMNLP : 1631–1642 . CiteSeerX 10.1.1.593.7427 . 
  60. ↑ "Estudio de caso: Análisis avanzado de sentimientos" . Archivado del original el 29 de octubre de 2013. Consultado el 18 de octubre de 2013 .
  61. ↑ Mozetič, Igor; Grčar, Miha; Smailović, Jasmina (5 de mayo de 2016). "Clasificación multilingüe de sentimientos de Twitter: el papel de los anotadores humanos" . MÁS UNO . 11 (5) e0155036. arXiv : 1602.07563 . Código Bib : 2016PLoSO..1155036M . doi : 10.1371/journal.pone.0155036 . ISSN 1932-6203 . PMC 4858191 . PMID 27149621 .   
  62. ↑ Ogneva, M. "Cómo las empresas pueden usar el análisis de sentimientos para mejorar su negocio" . Mashable . Consultado el 13 de diciembre de 2012 .
  63. ↑ Karlgren, Jussi , Magnus Sahlgren , Fredrik Olsson, Fredrik Espinoza y Ola Hamfors. "Utilidad del análisis de sentimientos". En Conferencia europea sobre recuperación de información, págs. 426-435. Springer Berlín Heidelberg, 2012.
  64. ↑ Karlgren, Jussi . «La relación entre el estado de ánimo del autor y el afecto con el sentimiento en el texto y el género textual». En Actas del cuarto taller sobre Explotación de anotaciones semánticas en la recuperación de información, págs. 9-10. ACM, 2011.
  65. ↑ Karlgren, Jussi . " Afecto, atractivo y sentimiento como factores que influyen en la interacción con información multimedia ". En Actas del taller Theseus/ImageCLEF sobre evaluación de la recuperación de información visual, págs. 8-11. 2009.
  66. ↑ Amigó, Enrique, Adolfo Corujo, Julio Gonzalo, Edgar Meij y Maarten de Rijke . "Descripción general de RepLab 2012: Evaluación de sistemas de gestión de reputación en línea". En CLEF (Notas de trabajo/laboratorios/taller en línea). 2012.
  67. ↑ Amigó, Enrique, Jorge Carrillo De Albornoz, Irina Chugur, Adolfo Corujo, Julio Gonzalo, Tamara Martín, Edgar Meij, Maarten de Rijke y Damiano Spina. "Descripción general de replab 2013: evaluación de los sistemas de seguimiento de la reputación online". En Conferencia Internacional del Foro de Evaluación Interlingüística de Lenguas Europeas, págs. 333-352. Springer Berlín Heidelberg, 2013.
  68. ↑ Amigó, Enrique, Jorge Carrillo-de-Albornoz, Irina Chugur, Adolfo Corujo, Julio Gonzalo, Edgar Meij, Maarten de Rijke y Damiano Spina. «Visión general de replab 2014: perfilado de autores y dimensiones de reputación para la gestión de la reputación online». En Conferencia Internacional del Foro de Evaluación Translingüística para Lenguas Europeas, pp. 307-322. Springer International Publishing, 2014.
  69. ↑ "Las marcas apuestan por los chatbots de IA a medida que los usuarios abandonan la búsqueda de Google" . Financial Times .
  70. 1 2 Wright, Alex. "Extrayendo sentimientos, no hechos, de la web" , New York Times , 23 de agosto de 2009. Consultado el 1 de octubre de 2009.
  71. ↑ "Análisis de sentimiento en Reddit" . 30 de septiembre de 2014. Consultado el 10 de octubre de 2014 .
  72. ↑ Kirkpatrick, Marshall. " , ReadWriteWeb , 15-04-2009. Recuperado el 01-10-2009.
  73. ↑ Condliffe, Jamie. "La polémica impulsa las redes sociales en línea" , New Scientist , 7 de diciembre de 2010. Consultado el 13 de diciembre de 2010.
  74. ↑ Tumasjan, Andranik; O.Sprenger, Timm; G.Sandner, Philipp; M.Welpe, Isabell (2010). "Predicción de elecciones con Twitter: lo que 140 caracteres revelan sobre el sentimiento político". Archivado el 12 de diciembre de 2020 en Wayback Machine . "Actas de la Cuarta Conferencia Internacional AAAI sobre Weblogs y Redes Sociales".
  75. ^ Madera, Ian B.; Varela, Pedro L.; Bollen, Johan; Rocha, Luis M.; Gonçalves-Sá, Joana (2017). "Los ciclos sexuales humanos están impulsados ​​por la cultura y coinciden con los estados de ánimo colectivos" . Informes científicos . 7 (1): 17973. arXiv : 1707.03959 . Código Bib : 2017NatSR...717973W . doi : 10.1038/s41598-017-18262-5 . PMC 5740080 . PMID 29269945 .  
  76. ↑ Korkontzelos, Ioannis; Nikfarjam, Azadeh; Shardlow, Matthew; Sarker, Abeed; Ananiadou, Sophia; Gonzalez, Graciela H. (2016). "Análisis del efecto del análisis de sentimientos en la extracción de reacciones adversas a medicamentos a partir de tweets y publicaciones en foros" . Journal of Biomedical Informatics . 62 : 148–158 . doi : 10.1016/j.jbi.2016.06.007 . PMC 4981644. PMID 27363901 .  
  77. ↑ Zeng, L.; Li, RYM; Yigitcanlar, T.; Zeng, H. Minería de la opinión pública sobre salud y seguridad en la construcción: Enfoque de asignación latente de Dirichlet. Buildings 2023, 13, 927. https://doi.org/10.3390/buildings13040927
  78. ↑ Tang, Huifeng; Tan, Songbo; Cheng, Xueqi (2009). "Un estudio sobre la detección de sentimientos en reseñas" (PDF) . Expert Systems with Applications . 36 (7): 10760– 10773. doi : 10.1016/j.eswa.2009.02.063 . S2CID 2178380. Archivado del original (PDF) el 24 de mayo de 2018. 
  79. ↑ Subarna, Shakya (2023). Análisis de sentimientos y aprendizaje profundo: Actas de ICSADL 2022 (Avances en sistemas inteligentes y computación, 1432) . Springer. pág. 567. ISBN  978-9811954429.
  80. 1 2 Jakob, Niklas, et al. "Más allá de las estrellas: aprovechamiento de las reseñas de usuarios en texto libre para mejorar la precisión de las recomendaciones de películas." Actas del 1er taller internacional CIKM sobre análisis de sentimiento temático para la opinión pública . ACM, 2009.
  81. ↑ Minqing, Hu; Liu, Bing (2004). "Extracción de características de opinión en reseñas de clientes" (PDF) . AAAI . 4 (4). S2CID 5724860. Archivado del original (PDF) el 24 de mayo de 2018. 
  82. ↑ Liu, Yang; Huang, Xiangji; An, Aijun; Yu, Xiaohui (2008). "Modelado y predicción de la utilidad de las reseñas en línea" (PDF) . ICDM'08. Octava conferencia internacional IEEE sobre minería de datos . IEEE. págs. 443–452 . doi : 10.1109/ICDM.2008.94 . ISBN  978-0-7695-3502-9. S2CID 18235238 . Archivado del original (PDF) el 30 de enero de 2021 . Recuperado el 23 de mayo de 2018 . 
  83. ↑ Bermingham, Adam; Smeaton, Alan F. (2010). «Clasificación del sentimiento en microblogs». Actas de la 19.ª conferencia internacional ACM sobre gestión de la información y el conocimiento (PDF) . págs. 1833–1836 . doi : 10.1145/1871437.1871741 . ISBN  978-1-4503-0099-5. S2CID 2084603 . 
  84. ↑ Lamba, Manika; Madhusudhan, Margam (2018). "Aplicación del análisis de sentimientos en bibliotecas para brindar un servicio de información temporal: un estudio de caso sobre diversas facetas de la productividad". Análisis y minería de redes sociales . 8 (1): 1– 12. doi : 10.1007/s13278-018-0541-y . S2CID 53047128 . 
  85. ↑ Schuller, Ganascia, Devillers, Björn, Jean-Gabriel, Devillers (2016). Análisis de sentimiento multimodal en entornos reales: consideraciones éticas sobre la recopilación, anotación y explotación de datos . pp. 29–34 . ISBN  978-2-9517408-9-1.{{cite book}}: CS1 maint: varios nombres: lista de autores ( enlace )