Análise de Algoritmos de Classificação para Detecção de Emoções em Tweets em Português Brasileiro
Mots-clés :
análise de emoções, redes sociais, algoritmos de classificaçãoRésumé
Com o crescente acesso à Web, grande quantidade de conteúdos são produzidos diariamente. O estudo de tais conteúdos permite a descoberta de novos conhecimentos. Nesse sentido, este trabalho apresenta uma análise de algoritmos que permitem a detecção de emoções em tweets no idioma português brasileiro. Assim, são considerados dez algoritmos, desde árvores de decisão e classificadores baseados no modelo de Bayes, abordando ao todo, sete classes de emoções: triste, chateado, amor, feliz, raiva, inveja e ironia. Os resultados da avaliação experimental são melhores ao classificar relações de emoções distintas, chegando a acurácia de 85% com um algoritmo Naive Bayes. Por outro lado, relações entre sentimentos próximos apresentam resultados inferiores a 70% de acerto em alguns casos. Ademais, algoritmos de classificação baseados no Naive Bayes apresentam resultados eficientes em variados contextos, além de terem comportamento consistente independente do idioma.
Téléchargements
Références
Araújo, M., Gonçalves, P., and Benevenuto, F. (2015). Métodos para análise de sentimentos em mídias sociais. In Proceedings of of Simpósio Brasileiro de Multimídia e Web (WEBMEDIA), pages 27–30.
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 31st Annual ACM Symposium on Applied Computing, pages 1140–1145. ACM.
Batista, R. d. A., Bagatini, D. D., and Frozza, R. (2018). Classificação automática de códigos ncm utilizando o algoritmo naive bayes. iSys-Revista Brasileira de Sistemas de Informação, 11(2).
Bouazizi, M. and Ohtsuki, T. (2016). Sentiment analysis in twitter: From classification to quantification of sentiments within tweets. In 2016 IEEE Global Communications Conference (GLOBECOM), pages 1–6.
Caetano, J. A., Lima, H. S., dos Santos, M. F., and Marques-Neto, H. T. (2017). Utilizando análise de sentimentos para definição da homofilia política dos usuários do twitter durante a eleição presidencial americana de 2016. In Procs. of the VI Brazilian Workshop on Social Network Analysis and Mining, pages 480–491, São Paulo, Brasil.
Dwivedi, S., Kasliwal, P., and Soni, S. (2016). Comprehensive study of data analytics tools (rapidminer, weka, r tool, knime). In Procs. of Symposium on Colossal Data Analysis and Networking (CDAN), pages 1–8. IEEE.
França, T. C. d. and Oliveira, J. (2014). Análise de sentimento de tweets relacionados aos protestos que ocorreram no brasil entre junho e agosto de 2013. In of Brazilian Workshop on Social Network Analysis and Mining (BraSNAM), pages 128–139. IEEE.
Garg, T. and Khurana, S. S. (2014). Comparison of classification techniques for intrusion detection dataset using weka. In Recent Advances and Innovations in Engineering (ICRAIE), 2014, pages 1–5. IEEE.
Garimella, K., Morales, G. D. F., Gionis, A., and Mathioudakis, M. (2018). Quantifying controversy on social media. ACM Transactions on Social Computing, 1(1):3.
LaFree, G. (1999). Declining violent crime rates in the 1990s: Predicting crime booms and busts. Annual Review of Sociology, 25(1):145–168.
Matsuda, Y. (2017). Development of emotion teaching interfaces using emoticons and emojis. In 2017 9th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC), volume 2, pages 253–258.
Moraes, R. L. and Sampaio, J. O. (2017). Um método de indexação e organização de informações baseado em um sociograma–aplicação em domínios específicos. iSys-Revista Brasileira de Sistemas de Informação, 10(2):48–84.
Neri, F., Aliprandi, C., Capeci, F., Cuadros, M., and By, T. (2012). Sentiment analysis on social media. In Advances in Social Networks Analysis and Mining (ASONAM), 2012
IEEE/ACM International Conference on, pages 919–926. IEEE.
Pandey, A. K. and Rajpoot, D. S. (2016). A comparative study of classification techniques by utilizing weka. In Procs. of International Conference on Signal Processing and Communication (ICSC), pages 219–224. IEEE.
Rout, J. K., Choo, K.-K. R., Dash, A. K., Bakshi, S., Jena, S. K., and Williams, K. L. (2018). A model for sentiment and emotion analysis of unstructured social media text. Electronic Commerce Research, 18(1):181–199.
Sharma, N., Pabreja, R., Yaqub, U., Atluri, V., Chun, S. A., and Vaidya, J. (2018). Web-based application for sentiment analysis of live tweets. In Procs. of the 19th Annual International Conference on Digital Government Research: Governance in the Data Age, pages 120:1–120:2, Delft, The Netherlands.
Witten, I. H., Frank, E., and Pal, C. J. (2016). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Series in Data Management Systems.
Morgan Kaufmann. Yadollahi, A., Shahraki, A. G., and Zaiane, O. R. (2017). Current state of text sentiment analysis from opinion to emotion mining. ACM Computing Surveys (CSUR), 50(2):25.
