Análise adaptativa de fluxos de sentimento
Ano de defesa: | 2012 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Minas Gerais
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: | |
Link de acesso: | http://hdl.handle.net/1843/ESBF-8SVFPH |
Resumo: | Nos últimos anos, a tarefa de análise de sentimentos tem atraído o interesse de pesquisadores de aprendizado de máquina. Esse interesse tem crescido significativamente devido o grande volume de conteúdo opinativo gerado e compartilhado através das mídias sociais online. Considerando os benefícios de conhecer o sentimento da população em relação a diferentes tópicos e entidades, a análise deste conteúdo, gerado pelas mídias sociais, se faz uma tarefa promissora e necessária. Muitas técnicas de classificação automática têm sido utilizadas para realizar a análise de sentimento, contudo é consenso que o modelo de chegada de mensagens a partir de mídias sociais segue o paradigma de fluxo de dados e as técnicas de classificação tradicionais não estão adequadas para tratar as características especificas deste fluxo de sentimento que é criado. Entre os desafios impostos às técnicas classificação podemos destacar: (1) o concept drift (i.e., constantes mudanças nas características dos dados, que neste trabalho foi abordado como sentiment drift), (2) a necessidade de atualização em tempo real do modelo de classificação a partir de mensagens mais recentes e (3) a limitação de tempo de computação e dados para treinamento, o que torna ainda mais difícil os dois primeiros desafios citados. |
id |
UFMG_c85e856840f40eebf94008758c7eb78d |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/ESBF-8SVFPH |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Renato Antonio Celso FerreiraAdriano Alonso VelosoGisele Lobo PappaNivio ZivianiWagner Meira JuniorIsmael Santana Silva2019-08-13T17:19:45Z2019-08-13T17:19:45Z2012-03-26http://hdl.handle.net/1843/ESBF-8SVFPHNos últimos anos, a tarefa de análise de sentimentos tem atraído o interesse de pesquisadores de aprendizado de máquina. Esse interesse tem crescido significativamente devido o grande volume de conteúdo opinativo gerado e compartilhado através das mídias sociais online. Considerando os benefícios de conhecer o sentimento da população em relação a diferentes tópicos e entidades, a análise deste conteúdo, gerado pelas mídias sociais, se faz uma tarefa promissora e necessária. Muitas técnicas de classificação automática têm sido utilizadas para realizar a análise de sentimento, contudo é consenso que o modelo de chegada de mensagens a partir de mídias sociais segue o paradigma de fluxo de dados e as técnicas de classificação tradicionais não estão adequadas para tratar as características especificas deste fluxo de sentimento que é criado. Entre os desafios impostos às técnicas classificação podemos destacar: (1) o concept drift (i.e., constantes mudanças nas características dos dados, que neste trabalho foi abordado como sentiment drift), (2) a necessidade de atualização em tempo real do modelo de classificação a partir de mensagens mais recentes e (3) a limitação de tempo de computação e dados para treinamento, o que torna ainda mais difícil os dois primeiros desafios citados.In recent years, the sentiment analysis task has attracted the interest of the machine learning researchers. This interest has grown significantly due to the large volume of opinionated content generated and shared via social media. Considering the benefits of to know the sentiment of the population regarding to different topics and entities, the analysis of the generated content by social media, it is a promising and necessary task. Many automatic classification techniques have been used to perform sentiment analysis, however is consensus that the arrival pattern of messages from social media follows the data stream paradigm and the traditional classification techniques are not adequate to address the specific characteristics of the created sentiment stream. Among the challenges to the classification techniques can be highlighted: (1) concept drift (i.e., constant changes in data characteristics, which in this study was approached as sentiment drift), (2) the need of real-time update of the classification model from the most recent messages and (3) the limitation of computing and training resource, which makes the two firsts cited challenges more difficult.We analyze these problems from a proposal of semi-supervised learning. Our algorithm adapts the training set, to the changes in the data, from a self-augmenting training process with the passes of the stream. It uses a small seed of initial training and then classification models are produced in real time using association rules. This strategy keeps the model up-to-date incrementally, so that at any time of the event the model reflects the sentiment that is being transmitted. In order to address the sentiment drift, messages to training are projected on-demand, according to the message content that is being classified. Projection of the training data offers a number of advantages including the ability to quickly detect emerging trends in the information stream. We conducted a case study using the Twitter messages, posted in real time, related to major events in 2010 year. In these experiments the performance of the prediction keeps the same or increases, with the passes of the stream and the inclusion of new messages in the training set. We evaluated the proposed solution in different languages, in cases where the sentiment distribution changed in different way over time and in cases where the initial training seed is rather small.Universidade Federal de Minas GeraisUFMGAnálise de sentimentoInfluência (Psicologia) Redes de relações sociaisComputaçãoRedes de relações sociaisConcept DriftAnálise de sentimentoAprendizado de máquinaFluxo de dadosMídias SociaisAnálise adaptativa de fluxos de sentimentoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALismaelsantanasilva.pdfapplication/pdf5279675https://repositorio.ufmg.br/bitstream/1843/ESBF-8SVFPH/1/ismaelsantanasilva.pdfcee816fe7f0e255a7c12382a8fab6db0MD51TEXTismaelsantanasilva.pdf.txtismaelsantanasilva.pdf.txtExtracted texttext/plain141876https://repositorio.ufmg.br/bitstream/1843/ESBF-8SVFPH/2/ismaelsantanasilva.pdf.txtef14883498deeac0992ac896ad0ea86cMD521843/ESBF-8SVFPH2019-11-14 16:18:20.843oai:repositorio.ufmg.br:1843/ESBF-8SVFPHRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T19:18:20Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Análise adaptativa de fluxos de sentimento |
title |
Análise adaptativa de fluxos de sentimento |
spellingShingle |
Análise adaptativa de fluxos de sentimento Ismael Santana Silva Concept Drift Análise de sentimento Aprendizado de máquina Fluxo de dados Mídias Sociais Análise de sentimento Influência (Psicologia) Redes de relações sociais Computação Redes de relações sociais |
title_short |
Análise adaptativa de fluxos de sentimento |
title_full |
Análise adaptativa de fluxos de sentimento |
title_fullStr |
Análise adaptativa de fluxos de sentimento |
title_full_unstemmed |
Análise adaptativa de fluxos de sentimento |
title_sort |
Análise adaptativa de fluxos de sentimento |
author |
Ismael Santana Silva |
author_facet |
Ismael Santana Silva |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Renato Antonio Celso Ferreira |
dc.contributor.advisor-co1.fl_str_mv |
Adriano Alonso Veloso |
dc.contributor.referee1.fl_str_mv |
Gisele Lobo Pappa |
dc.contributor.referee2.fl_str_mv |
Nivio Ziviani |
dc.contributor.referee3.fl_str_mv |
Wagner Meira Junior |
dc.contributor.author.fl_str_mv |
Ismael Santana Silva |
contributor_str_mv |
Renato Antonio Celso Ferreira Adriano Alonso Veloso Gisele Lobo Pappa Nivio Ziviani Wagner Meira Junior |
dc.subject.por.fl_str_mv |
Concept Drift Análise de sentimento Aprendizado de máquina Fluxo de dados Mídias Sociais |
topic |
Concept Drift Análise de sentimento Aprendizado de máquina Fluxo de dados Mídias Sociais Análise de sentimento Influência (Psicologia) Redes de relações sociais Computação Redes de relações sociais |
dc.subject.other.pt_BR.fl_str_mv |
Análise de sentimento Influência (Psicologia) Redes de relações sociais Computação Redes de relações sociais |
description |
Nos últimos anos, a tarefa de análise de sentimentos tem atraído o interesse de pesquisadores de aprendizado de máquina. Esse interesse tem crescido significativamente devido o grande volume de conteúdo opinativo gerado e compartilhado através das mídias sociais online. Considerando os benefícios de conhecer o sentimento da população em relação a diferentes tópicos e entidades, a análise deste conteúdo, gerado pelas mídias sociais, se faz uma tarefa promissora e necessária. Muitas técnicas de classificação automática têm sido utilizadas para realizar a análise de sentimento, contudo é consenso que o modelo de chegada de mensagens a partir de mídias sociais segue o paradigma de fluxo de dados e as técnicas de classificação tradicionais não estão adequadas para tratar as características especificas deste fluxo de sentimento que é criado. Entre os desafios impostos às técnicas classificação podemos destacar: (1) o concept drift (i.e., constantes mudanças nas características dos dados, que neste trabalho foi abordado como sentiment drift), (2) a necessidade de atualização em tempo real do modelo de classificação a partir de mensagens mais recentes e (3) a limitação de tempo de computação e dados para treinamento, o que torna ainda mais difícil os dois primeiros desafios citados. |
publishDate |
2012 |
dc.date.issued.fl_str_mv |
2012-03-26 |
dc.date.accessioned.fl_str_mv |
2019-08-13T17:19:45Z |
dc.date.available.fl_str_mv |
2019-08-13T17:19:45Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/ESBF-8SVFPH |
url |
http://hdl.handle.net/1843/ESBF-8SVFPH |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/ESBF-8SVFPH/1/ismaelsantanasilva.pdf https://repositorio.ufmg.br/bitstream/1843/ESBF-8SVFPH/2/ismaelsantanasilva.pdf.txt |
bitstream.checksum.fl_str_mv |
cee816fe7f0e255a7c12382a8fab6db0 ef14883498deeac0992ac896ad0ea86c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801677227563155456 |