Aplicação de programação genética na análise de sentimentos

• Main Author: Bordin Junior, Airton
• Publication Date: 2018
• Format: Master thesis
• Language: por
• Source: Repositório Institucional da UFG
• dARK ID: ark:/38995/001300000v83c
• Download full: http://repositorio.bc.ufg.br/tede/handle/tede/9211
• topic: Análise de sentimentos; Mineração de opiniões; Programação genética; Classificadores; Sentiment analysis; Opinion mining; Genetic programming; Classifiers; CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO

A Web é comumente utilizada como plataforma para debates, opiniões, avaliações, etc. Esses dados permitiram que a área de Análise de Sentimentos (AS) se desenvolvesse para extrair informações e conhecimentos que possam ser utilizados em diferentes aplicações. Entre os desafios da AS, destacam-se a criação de classificadores com boa eficácia. Normalmente, os modelos de classificação gerados são heurísticas específicas, manualmente definidas e pouco adaptáveis a diferentes contextos. Assim, o presente trabalho propõe a geração automatizada de classificadores de sentimentos híbridos – utilizando técnicas de Aprendizado de Máquina (AM) e dicionários léxicos – com o uso da Programação Genética (PG). Com isso, espera-se reduzir o custo de geração dos classificadores e aumentar o poder de predição para cada domínio analisado. A intenção é que esses classificadores sejam competitivos com os algoritmos clássicos empregados na área de AS, generalizáveis, adaptáveis ao contexto e capazes de determinar a relevância de cada um dos dicionários léxicos ao domínio aplicado. Além disso, a ideia é que seja possível a agregação de outras técnicas de AM para a geração de soluções híbridas ainda mais eficazes. Para validar a proposta, foi utilizado o benchmark SemEval 2014 e os resultados mostram que a abordagem de geração automatizada com a PG é promissora, pois os modelos gerados são competitivos e, algumas vezes, superiores aos de outros trabalhos da literatura. A combinação dos classificadores em um comitê mostrou-se eficaz ao aumento do poder de predição do sistema, obtendo resultados superiores à utilização das técnicas individualmente. Por fim, destaca-se a capacidade de customização dos modelos de acordo com o contexto abordado e a possibilidade de transferência de conhecimento dos usuários por meio das funções utilizadas pela PG.