Um Método de Avaliação da Importância de Medidas para Predição da Nota de um Filme
Resumo
Analisar informações sobre filmes antes de assisti-los é uma prática comum realizada pelo público. Entretanto, a grande quantidade de reviews nas Redes Sociais Online (RSO) e em sites da Web torna essa tarefa quase impossível. Como uma possível solução para tal problema, alguns sites utilizam filtros baseados nas notas dadas pelos usuários em seus reviews. No entanto, essa prática pode resultar em usuários utilizando as notas como um artifício para obter destaque. Este trabalho propõe um método automático para analisar a importância de medidas a partir dos reviews com a intenção de predizer a nota dos usuários. Realizou-se um experimento com cinco filmes de gêneros diferentes e conjuntos de reviews definidos por três limiares. O experimento mostrou que os melhores resultados foram obtidos com o limiar 0,5 e as medidas de maior importância foram: quantidade de sentenças, quantidade de críticas e corretude do review.
Referências
da Silva, I. N., Spatti, D. H., and Flauzino, R. A. (2010). Redes Neurais Artificiais: para engenharia e ciencias aplicadas. Artliber.
de S. Santos, R. L. (2017). Um estudo comparativo entre abordagens baseadas em sistemas fuzzy e redes neurais artificiais para estimar a importância de comentários sobre produtos e serviços. Master’s thesis, Universidade Federal do Piauí, Teresina, PI.
de S. Santos, R. L., Vieira, J. P. A., Barbosa, J. L. N., Sá, C. A., Moura, E. G., Moura, R. S., and de Sousa, R. F. (2016). Evaluating the importance of web comments through metrics extraction and opinion mining. In Proceedings of the 35th International Conference of the Chilean Computer Science Society, pages 153–163.
Ganu, G., Kakodkar, Y., and Marian, A. (2013). Improving the quality of predictions using textual information in online user reviews. Information Systems, 38(1):1–15.
IBM Corp. (2011a). IBM Knowledge Center Training (Multilayer Perceptron).
IBM Corp. (2011b). IBM SPSS Statistics for Windows, Version 20.0. IBM Corp., Armonk, NY.
Kim, S.-M., Pantel, P., Chklovski, T., and Pennacchiotti, M. (2006). Automatically assessing review helpfulness. In Proceedings of the 2006 Conference on Empirical Methods in Natural Language Processing, pages 423–430.
Lee, S. and Choeh, J. Y. (2014). Predicting the helpfulness of online reviews using multilayer perceptron neural networks. Expert Syst.Appl., 41(6):3041–3046.
Liu, B. (2010). Sentiment Analysis and Subjectivity. Handbook of Natural Language Processing, Second Edition. CRC Press, Taylor and Francis Group.
Schmit, W. and Wubben, S. (2015). Predicting ratings for new movie releases from twitter content. In Proceedings of the 6th Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis, WASSA@EMNLP 2015, 17 September 2015, Lisbon, Portugal, pages 122–126.
Turney, P. D. (2002). Thumbs up or thumbs down?: Semantic orientation applied to unsupervised classification of reviews. In Proceedings of the 40th Annual Meeting on Association for Computational Linguistics, pages 417–424.
