Análise de Sentimentos de Conteúdos Textuais de Redes Sociais por Meio de Modelos de Compressão de Dados
Resumo
O conjunto das técnicas que são exploradas no tratamento de opiniões é abordado pela área de pesquisa da análise de Sentimentos (AS), que combina conceitos de diversas áreas como, Inteligência Artificial, Reconhecimento de Padrões, análise Textual etc. Por outro lado, técnicas baseadas em compressão de dados podem ser úteis para achar padrões em dados não estruturados, como textos com opiniões encontrados na internet. Neste trabalho foi testado o método DAMICORE, que utiliza estas técnicas, para verificar sua eficácia no problema de AS. Os resultados ficaram aquém dos esperados, entretanto abrindo novas oportunidades de pesquisa na área.
Palavras-chave:
DAMICORE, Análise de Sentimentos, Inteligência Artificial, Reconhecimento de Padrões, Compressão de dados.
Referências
B. Liu (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.
Che, W., Zhao, Y., Guo, H., Su, Z., and Liu, T. (2015). Sentence compression for aspect-based sentiment analysis. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 23(12):2111–2124.
Cilibrasi, R. and Vitanyi,´ P. M. B. (2005). Clustering by compression. IEEE Transactions on Information Theory, 5:1523–1545.
Crocomo, M. K. (2012). Algoritmo de otimizac¸ao bayesiano com detecc¸ao de comunida-des. PhD thesis, Universidade de São Paulo.
Dufourq, E. and Bassett, B. A. (2017). Text compression for sentiment analysis via evo-lutionary algorithms. In Pattern Recognition Association of South Africa and Robotics and Mechatronics (PRASA-RobMech), 2017, pages 116–121. IEEE.
Felsenstein J. (2003). Inferring phylogenies. Sinauer Associates.
Giachanou, A. and Crestani, F. (2016). Like it or not: A survey of twitter sentiment analysis methods. ACM Computing Surveys (CSUR), 49(2):28.
Kotzias, D., Denil, M., De Freitas, N., and Smyth, P. (2015). From group to individual labels using deep features. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 597–606. ACM.
Newman, M. E. J. (2004). Fast algorithm for detecting community structure in networks. Physical Review E, 69(6). arXiv: cond-mat/0309508.
Sanches, A., Cardoso, J. M. P., and Delbem, A. C. B. (2011). Identifying merge-beneficial software kernels for hardware implementation. In International Conference on Recon-figurable Computing and FPGAs (ReConFig), pages 74–79, Cancun. IEEE.
Soares, A. H. M. and Delbem, A. C. B. Detecção de correlação em dados complexos usando ncd.
Valdivia, A. M. C. (2007). Mapeamento de dados multidimensionais usando arvores´ filogeneticas:´ foco em mapeamento de textos. PhD thesis, Universidade de São Paulo.
Ziegelmayer, D. and Schrader, R. (2012). Sentiment polarity classification using statistical data compression models. In Data Mining Workshops (ICDMW), 2012 IEEE 12th International Conference on, pages 731–738. IEEE.
Che, W., Zhao, Y., Guo, H., Su, Z., and Liu, T. (2015). Sentence compression for aspect-based sentiment analysis. IEEE/ACM Transactions on Audio, Speech and Language Processing (TASLP), 23(12):2111–2124.
Cilibrasi, R. and Vitanyi,´ P. M. B. (2005). Clustering by compression. IEEE Transactions on Information Theory, 5:1523–1545.
Crocomo, M. K. (2012). Algoritmo de otimizac¸ao bayesiano com detecc¸ao de comunida-des. PhD thesis, Universidade de São Paulo.
Dufourq, E. and Bassett, B. A. (2017). Text compression for sentiment analysis via evo-lutionary algorithms. In Pattern Recognition Association of South Africa and Robotics and Mechatronics (PRASA-RobMech), 2017, pages 116–121. IEEE.
Felsenstein J. (2003). Inferring phylogenies. Sinauer Associates.
Giachanou, A. and Crestani, F. (2016). Like it or not: A survey of twitter sentiment analysis methods. ACM Computing Surveys (CSUR), 49(2):28.
Kotzias, D., Denil, M., De Freitas, N., and Smyth, P. (2015). From group to individual labels using deep features. In Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 597–606. ACM.
Newman, M. E. J. (2004). Fast algorithm for detecting community structure in networks. Physical Review E, 69(6). arXiv: cond-mat/0309508.
Sanches, A., Cardoso, J. M. P., and Delbem, A. C. B. (2011). Identifying merge-beneficial software kernels for hardware implementation. In International Conference on Recon-figurable Computing and FPGAs (ReConFig), pages 74–79, Cancun. IEEE.
Soares, A. H. M. and Delbem, A. C. B. Detecção de correlação em dados complexos usando ncd.
Valdivia, A. M. C. (2007). Mapeamento de dados multidimensionais usando arvores´ filogeneticas:´ foco em mapeamento de textos. PhD thesis, Universidade de São Paulo.
Ziegelmayer, D. and Schrader, R. (2012). Sentiment polarity classification using statistical data compression models. In Data Mining Workshops (ICDMW), 2012 IEEE 12th International Conference on, pages 731–738. IEEE.
Publicado
08/08/2018
Como Citar
SILVA, Jurandir J. D.; SALVINI, Rogério.
Análise de Sentimentos de Conteúdos Textuais de Redes Sociais por Meio de Modelos de Compressão de Dados. In: ESCOLA REGIONAL DE INFORMÁTICA DE GOIÁS (ERI-GO), 2018. , 2018, Goiânia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 107-120.
