Detalhes bibliográficos
Ano de defesa: |
2019 |
Autor(a) principal: |
ARAÚJO, Débora da Conceição |
Orientador(a): |
ALMEIDA, Leandro Maciel |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Pernambuco
|
Programa de Pós-Graduação: |
Programa de Pos Graduacao em Ciencia da Computacao
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Link de acesso: |
https://repositorio.ufpe.br/handle/123456789/33691
|
Resumo: |
Análise de Sentimentos é o problema que explora documentos escritos em linguagem natural visando classificá-los em polaridades de sentimentos (classes) pré-estabelecidas. Os algortimos Naive Bayes e Suport Vector Machine estão frequentemente associados a este tipo de tarefa, porém estes classificadores apontam para um problema iminente quando se trata da análise de sentimentos em um universo não-binário de classes. Classificadores de aprendizado profundo aparecem, cada vez mais, na literatura como alternativa aos modelos tradicionais de aprendizado de máquina, apresentando bons desempenhos. Diante disto, esta pesquisa apresenta uma avaliação de desempenho entre métodos de aprendizado de máquina tradicional, métodos de aprendizado profundo e comitês de classificadores que combinam as duas abordagens. Os comitês construídos fazem uso de modelos de aprendizado profundo com um menor número de épocas de treinamento, a intenção foi desenvolver modelos com menor tempo de execução sem perder em acurácia, devido ao conhecimento dos demais modelos combinados. Para avaliar o desempenho das diferentes abordagens, foram utilizadas cinco bases de dados com múltiplas classes: Stanford Sentiment Treebank, IMDb Review, Yelp 2013, Yelp 2014 e Yelp 2015. O desempenho dos modelos foram avaliados através de um conjunto de métricas e técnicas estatísticas. Com base nos resultados obtidos, foi possível concluir que os algoritmos de aprendizado profundo e os comitês alcançaram desempenhos médios estatisticamente superiores em relação aos algoritmos de aprendizado de máquina tradicional. Apesar do maior desempenho, vale salientar que os comitês e os modelos de aprendizado profundo possuem tempo de treinamento superior em relação aos algoritmos tradicionais. |