Um Modelo de Classificação de Polaridade em Cinco Níveis

• Ano de defesa: 2017
• Autor(a) principal: Ferreira, Felipe Alves
• Outros Autores: http://lattes.cnpq.br/6952657914341079
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Amazonas; Instituto de Computação; Brasil; UFAM; Programa de Pós-graduação em Informática
• Palavras-chave em Português: Naive Bayes; Mineração de dados (Computação); Polaridade; Tweet; Árvores de Decisão; CIÊNCIAS EXATAS E DA TERRA; Análise de Sentimento; Classificação; Opinião; SVM
• Link de acesso: https://tede.ufam.edu.br/handle/tede/7649

Análise de sentimento é a área de estudo que observa as opiniões das pessoas, sentimentos, avaliações, atitudes e emoções em torno de entidades como produtos, serviços, organizações e eventos. No mundo real, empresas e organizações frequentemente estão interessadas em saber opiniões públicas sobre seus produtos e serviços. Os consumidores também estão interessados em saber a opinião de quem adquiriu um produto antes de comprá-lo. Outras pessoas estão interessadas em saber a opinião dos outros sobre determinados candidatos de um pleito eleitoral antes de tomar uma decisão sobre quem irá votar. O objetivo deste trabalho é desenvolver um método de aprendizagem supervisionada capaz de classificar tweets em cinco níveis de polaridade (aprovação completa, opinião positiva pontual, opinião neutra, opinião negativa pontual e rejeição completa) usando para isso tweets do contexto político como estudo de caso. Para tal, investigamos se técnicas que fazem detecção de polaridade de três níveis são capazes de oferecer boas evidências para o treino e testes de classificadores no contexto dos cinco níveis de polaridade nos tweets. Partindo dessa ideia, propomos estratégias de aprendizagem com os classificadores Árvores de Decisão, Naive Bayes e SVM usando como features o modelo de bag-of-words, as evidências a partir de resultados de métodos que classificam polaridade em três níveis e um modelo de extração de meta-informação. Os resultados mostraram que existe um ganho nas acurácias dos classificadores ao combinar os diferentes modelos de features.