Desempenho de Modelos de Redes Neurais Recorrentes para Análise de Sentimentos
Resumo
Cada vez mais usuários expressam seus sentimentos em forma de opinião sobre diversos assuntos. Analisar os sentimentos expostos pode auxiliar no entendimento do que as pessoas estão falando sobre uma determinada empresa, marca, evento ou até mesmo sobre outras pessoas, funcionando como uma forma de se obter um feedback. Este artigo apresenta uma comparação de acurácia e tempo de execução de modelos de Recurrent Neural Network baseados em LSTM e BiLSTM para aplicação de análise de sentimento. Com a aplicação da RNN desenvolvida sobre uma base de dados pública com 50.000 registros de filmes foi possível aumentar a acurácia da RNN para 89,34% e reduzir o tempo de treinamento em até 7,22 vezes.Referências
Cui, Z., Ke, R., and Wang, Y. (2017). Deep stacked bidirectional and unidirectional lstm recurrent neural network for network-wide trafc speed prediction. The 6th International Workshop on Urban Computing (UrbComp 2017).
Kim, J. and Moon, N. (2019). Bilstm model based on multivariate time series data in multiple eld for forecasting trading area. Journal of Ambient Intelligence and Humanized Computing, pages 1–10.
Liu, B. et al. (2010). Sentiment analysis and subjectivity. In Handbook of natural language processing, volume 2, pages 627–666. CRC Press.
Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., and Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, pages 142–150, Portland, Oregon, USA. Association for Computational Linguistics.
Siami-Namini, S., Tavakoli, N., and Namin, A. S. (2019). The performance of lstm and bilstm in forecasting time series. In 2019 IEEE International Conference on Big Data (Big Data), pages 3285–3292. IEEE.
Yadav, A. and Vishwakarma, D. K. (2020). Sentiment analysis using deep learning architectures: a review. Articial Intelligence Review, 53(6):4335–4385.
Kim, J. and Moon, N. (2019). Bilstm model based on multivariate time series data in multiple eld for forecasting trading area. Journal of Ambient Intelligence and Humanized Computing, pages 1–10.
Liu, B. et al. (2010). Sentiment analysis and subjectivity. In Handbook of natural language processing, volume 2, pages 627–666. CRC Press.
Maas, A. L., Daly, R. E., Pham, P. T., Huang, D., Ng, A. Y., and Potts, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, pages 142–150, Portland, Oregon, USA. Association for Computational Linguistics.
Siami-Namini, S., Tavakoli, N., and Namin, A. S. (2019). The performance of lstm and bilstm in forecasting time series. In 2019 IEEE International Conference on Big Data (Big Data), pages 3285–3292. IEEE.
Yadav, A. and Vishwakarma, D. K. (2020). Sentiment analysis using deep learning architectures: a review. Articial Intelligence Review, 53(6):4335–4385.
Publicado
14/04/2021
Como Citar
KÜNAS, Cristiano; HECK, Leandro; PADOIN, Edson.
Desempenho de Modelos de Redes Neurais Recorrentes para Análise de Sentimentos. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 21. , 2021, Evento Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 33-36.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2021.14768.
