Please use this identifier to cite or link to this item:
http://hdl.handle.net/10071/14836
Author(s): | António, Ricardo Afonso Gomes |
Advisor: | Ribeiro, Ricardo Daniel Santos Faro Marques Batista, Fernando Manuel Marques |
Date: | 2017 |
Title: | Análise de sentimento baseada em aspetos |
Reference: | ANTÓNIO, Ricardo Afonso Gomes - Análise de sentimento baseada em aspetos [Em linha]. Lisboa: ISCTE-IUL, 2017. Dissertação de mestrado. [Consult. Dia Mês Ano] Disponível em www:<http://hdl.handle.net/10071/14836>. |
Keywords: | Algoritmo Comportamento do consumidor Rede social Modelos de Markov Regressão logística Análise de Sentimento Baseada em Aspetos Reconhecimento de Entidades Mencionadas Análise de Sentimento Modelo de Markov não observáveis Campo aleatório condicional Naive Bayes Regressão logística Aspect-based Sentiment Analysis Named-Entity Recognition Sentiment analysis Hidden Markov Model Conditional random field Logistic Regression |
Abstract: | A análise de sentimento baseada em aspetos é uma tarefa que tem como objetivo detetar a
polaridade de sentimentos e associar os mesmos a entidades. Para alcançar tal objetivo, esta tarefa pode ser dividida em duas sub-tarefas que são o reconhecimento de entidades mencionadas
e a análise de sentimentos. A tarefa de reconhecimento de entidades mencionadas tem como
objetivo identificar as entidades e o respetivo tipo de entidade, enquanto a tarefa de análise de
sentimento tem como objetivo identificar a polaridade dos sentimentos expressos.
O presente documento analisa e compara várias abordagens adotadas para resolver estas
duas tarefas, sendo aprofundadas abordagens baseadas em modelos de Markov não observáveis
(HMM) e Campo Aleatório Condicional (CRF) para realizar a tarefa de reconhecimento de entidades mencionadas e, também, abordagens baseadas em classificadores Naive Bayes e modelos
de Regressão Logística para realizar a tarefa de análise de sentimento baseada em aspetos.
As experiências realizadas no âmbito da tarefa de reconhecimento de entidades mencionadas apresentadas neste documento classificam as entidades em 4 tipos (Pessoa, Organização,
Local ou Evento), e os resultados obtidos foram avaliados segundo os critérios apresentados na
conferência CoNLL2002.
As experiências de análise de sentimentos classificam a polaridade dos sentimentos em 4
tipos (Positivo, Negativo, Neutro ou Conflito) e os resultados obtidos foram avaliados segundo
os critérios da competição SemEval-2014. The Aspect-based Sentiment Analysis (ASBS) is a task that is designed to detect the polarity of sentiments and associate those sentiments to entities. To achieve this goal this task can be divided into two sub-tasks that are the Named-entity Recognition (NER) and Sentiment Analysis (SA). The goal of Named-entity Recognition task is to identify named entities and identify the type of entity. The goal of Sentiment Analysis task is to identify the polarity of expressed sentiments. This paper analyzes and compares several approaches adopted in these tasks and deepens approaches based on Hidden Markov Models (HMM) and Conditional Random Fields (CRF) to perform the task of Named-entity Recognition, as well as approaches based on Naive Bayes classifiers and Logistic Regression models to perform the task of Aspect-based Sentiment Analysis. The experiments performed in the scope of the task Named-entity Recognition presented in this document, classify the entities into 4 types (Person, Organization, Place and Event), and the results obtained were evaluated according to the criteria presented at the CoNLL2002 conference. The experiments of aspect-based sentiment analysis, classify the sentiment into 4 types (Positive, Negative, Neutral or Conflict), and the results obtained were evaluated according to the criteria of SemEval-2014 competition. |
Degree: | Mestrado em Engenharia Informática |
Peerreviewed: | yes |
Access type: | Open Access |
Appears in Collections: | T&D-DM - Dissertações de mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
RicardoAntonio_Tese.pdf | 876,3 kB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.