Detecção de Posicionamento em Tweets sobre Política no Contexto Brasileiro

• William Christhie UFMG
• Julio C. S. Reis UFMG
• Fabrício Benevenuto UFMG
• Mirella M. Moro UFMG
• Virgílio Almeida UFMG

DOI: https://doi.org/10.5753/brasnam.2018.3583

Resumo

Opiniões compartilhadas na Web constituem um grande volume de dados. Nelas, posicionamentos são expressos direta ou indiretamente, e sua detecção identifica qual a polaridade em relação a uma ideia alvo. Neste trabalho, apresentamos a caracterização de um amplo conjunto de tweets em português sobre a corrida presidencial brasileira de 2018. Tal conjunto serve como base para a detecção automática de posicionamento através de uma abordagem semi-supervisionada. Em nossa avaliação, encontramos indícios de bots na rede. Também avaliamos três classificadores com teste estatístico pareado, e nossos resultados apresentam F-Measure acima de 94%.

Referências

Araújo, M., Reis, J., Pereira, A., and Benevenuto, F. (2016). An Evaluation of Machine Translation for Multilingual Sentence-level Sentiment Analysis. In Proceedings of the ACM Symposium on Applied Computing, pages 1140–1145.

Bigonha, C., Cardoso, T. N. C., Moro, M. M., Gonçalves, M. A., and Almeida, V. A. F. (2012). Sentiment-based influence detection on twitter. Journal of the Brazilian Computer Society, 18(3):169–183.

Caetano, J. A. C., Lima, H. S. L., dos Santos Santos, M. F., and Marques-Neto, H. T. M.-N. (2017). Utilizando análise de sentimentos para definição da homofilia política dos usuários do Twitter durante a eleição presidencial americana de 2016. In BraSNAM - Brazilian Workshop on Social Network Analysis and Mining, pages 480–491.

Chen, Y.-C., Liu, Z.-Y., and Kao, H.-Y. (2017). Ikm at semeval-2017 task 8: Convolutional neural networks for stance detection and rumor verification. In International Workshop on Semantic Evaluation, pages 465–469.

Christen, P. (2006). A comparison of personal name matching: Techniques and practical issues. In IEEE International Conference on Data Mining, pages 290–294.

Dias, M. and Becker, K. (2016a). An Heuristics-Based, Weakly-Supervised Approach for Classification of Stance in Tweets. In IEEE/WIC/ACM International Conference on Web Intelligence, pages 73–80.

Dias, M. and Becker, K. (2016b). Detecção semi-supervisionada de posicionamento em tweets baseada em regras de sentimento. In SBBD - Simpósio Brasileiro de Bancos de Dados, pages 40–51.

Mohammad, S. M., Sobhani, P., and Kiritchenko, S. (2017). Stance and sentiment in tweets. TOIT, 17(3):26.

Mourad, S. S., Shawky, D. M., Fayed, H. A., and Badawi, A. H. (2018). Stance detection in tweets using a majority vote classifier. In International Conference on Advanced Machine Learning Technologies and Applications, pages 375–384.

Reis, J. C., Gonçalves, P., Araújo, M., Pereira, A. C., and Benevenuto, F. (2015). Uma abordagem multilıngue para análise de sentimentos. In BraSNAM - Brazilian Workshop on Social Network Analysis and Mining.

Shenoy, G. G., Dsouza, E. H., and Kübler, S. (2017). Performing stance detection on Twitter data using computational linguistics techniques. arXiv preprint arXiv:1703.02019.

Silva, L. S., do Amaral, D. C., and Moro, M. M. (2017). Uma avaliação de eficiência e eficácia da combinação de técnicas para deduplicação de dados. In SBBD - Simpósio Brasileiro de Bancos de Dados, pages 160–171.

Verona, L. V., Oliveira, J. O., and Campos, M. L. M. C. (2017). Métricas para análise de poder em redes sociais e sua aplicação nas doações de campanha para o senado federal brasileiro. In BraSNAM - Brazilian Workshop on Social Network Analysis and Mining, pages 544–554.

Witten, I. H., Frank, E., Hall, M. A., and Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.

Xu, X., Hu, F., Du, P., Wang, J., and Li, L. (2017). Efficient stance detection with latent feature. In APWeb-WAIM - First International Joint Conference on Web and Big Data, pages 21–30.