Sentic Levels como descritores na classificação multi-classes em análise de sentimentos
Arquivos
Data
Autores
Almeida, Alex Marino Gonçalves de
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
Resumo: A Análise de Sentimentos (AS) como um problema de classi?cação em mídias textuais eletrônicas é uma tarefa cada vez mais presente no cotidiano das pessoas bem como a relevância destes temas no ambiente acadêmico Para auxiliar a classi?cação de emoções em conteúdo textuais, usou-se neste trabalho uma base de dados obtida de um site brasileiro de notícias escritas em língua portuguesa Para extração de características textuais fez-se uso de recursos do Hourglass of Emotions capazes de aferir as dimensões e intensidades afetivas presentes no texto e compor características baseadas nos dois níveis de sentimento (Sentic Level) extraídas em função do TF-IDF, Strength e na quantidades de palavras com peso afetivo O principal objetivo da classi?cação é distinguir as emoções presentes no conteúdo textual onde este trabalho propõe um modelo de classi?cação multi-classes apoiado em técnicas de decomposição (Um contra Todos e Um contra Um) de problemas multi-classes em problemas binários e subsequentes métodos de agregação A etapa de classi?cação ocorre após a preparação do dataset em função dos métodos Um contra Um e Um contra Todos, possibilitando assim submete-los aos algoritmos binários (Support Vector Machine, Árvode de Decisão, Naïve Bayes, Random Forest) As emoções resultaram da saída dos classi?cadores modelados encaminhadas para os métodos de agregação predizendo assim a emoção ?nal do documento Para avaliação dos resultados utilizou-se como métrica, adequada para este tipo de experimento, a Acurácia Os resultados obtidos dos experimentos mostram que o modelo proposto produziu uma acurácia compatível com trabalhos no Estado da Arte
Descrição
Palavras-chave
Aprendizado do computador, Árvores de decisão, Sistemas de reconhecimento de padrões, Afeto, Interação homem-máquina, Affect, Human-computer interaction, Machine learning, Pattern recognition