Sentic Levels como descritores na classificação multi-classes em análise de sentimentos

Página do item simplificado
dataload.collectionmapped02 - Mestrado - Ciência da Computaçãopt_BR
dataload.filenamenourau4991.pdfpt_BR
dataload.handlemapped123456789/50pt_BR
dataload.idpergamum179420pt_BR
dataload.idvirtuanourauvtls000210786pt_BR
dataload.idvirtuapergamumvtls000210786pt_BR
dataload.idvirtuapergamum.sameurlnourauSIMpt_BR
dataload.linknourauhttp://www.bibliotecadigital.uel.br/document/?code=vtls000210786pt_BR
dataload.linknourau.regularSIMpt_BR
dataload.linknourau.retificadohttp://www.bibliotecadigital.uel.br/document/?code=vtls000210786pt_BR
dataload.linknourau.size64.00pt_BR
dc.contributor.advisorBarbon Junior, Sylvio [Orientador]pt_BR
dc.contributor.authorAlmeida, Alex Marino Gonçalves dept_BR
dc.contributor.bancaZarpelão, Bruno Bogazpt_BR
dc.contributor.bancaFelinto, Alan Salvanypt_BR
dc.contributor.bancaManhas Junior, Elieser Botelhopt_BR
dc.coverage.spatialLondrinapt_BR
dc.date.accessioned2024-05-01T14:57:58Z
dc.date.available2024-05-01T14:57:58Z
dc.date.created2016.00pt_BR
dc.date.defesa22.12.2016pt_BR
dc.description.abstractResumo: 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 Artept_BR
dc.description.abstractother1Abstract: Nowadays the Sentiment Analysis as a classi?cation problem in electronic textual media is increasingly present in the way of life people as well as the relevance of these issues in the research environment To help Emotions rating in textual contente in this work used a dataset extracted from a Brazilian news site written in Portuguese The extraction of textual features was made use of Hourglass of Emotions resources which are capable of measuring the affective dimensions and intensities in the text The features are composed of both Sentic Levels extracted from the TF-IDF, Strength and amounts of Word with emotional weight The primary purpose of classi?cation is to distinguish the emotions present in the textual content where this paper proposes a multi-class classi?cation model based on decomposition techniques (One against All and One on One) of multi-class problems in binary problems and following methods aggregation The classi?cation task occurs after the dataset preparation depending on the methods One on One and One against All, thus enabling submit them to binary classi?ers as Support Vector Machine, Decision Tree, Naïve Bayes, Random Forest The results obtained from the output of binary classi?ers forwarded to the aggregation methods to predict the document ?nal emotion To evaluate the results was used the accuracy as a metric suitable for this type of experiment The tests results show that the proposed model produced a consistente accuracy with work in the State of the Artpt_BR
dc.description.notesDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da Computaçãopt_BR
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/15843
dc.languagepor
dc.relation.coursedegreeMestradopt_BR
dc.relation.coursenameCiência da Computaçãopt_BR
dc.relation.departamentCentro de Ciências Exataspt_BR
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência da Computaçãopt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectÁrvores de decisãopt_BR
dc.subjectSistemas de reconhecimento de padrõespt_BR
dc.subjectAfetopt_BR
dc.subjectInteração homem-máquinapt_BR
dc.subjectAffectpt_BR
dc.subjectHuman-computer interactionpt_BR
dc.subjectMachine learningpt_BR
dc.subjectPattern recognitionpt_BR
dc.titleSentic Levels como descritores na classificação multi-classes em análise de sentimentospt_BR
dc.typeDissertaçãopt_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
4991.pdf
Tamanho:
3.03 MB
Formato:
Adobe Portable Document Format
Baixar

Coleções

02 - Mestrado - Ciência da Computação