Aumento de Datos para la Mejora del Análisis de Sentimientos: Un Estudio Comparativo

Durante muchos años, los investigadores en el campo del procesamiento del lenguaje natural han estado explorando el análisis de sentimientos, un método para entender los sentimientos y pensamientos humanos expresados en el texto. El análisis de sentimientos funciona analizando primero el sentimiento de palabras o frases individuales, utilizando métodos como diccionarios, aprendizaje automático o procesamiento del lenguaje natural. Sin embargo, en el aprendizaje automático, la dependencia de la calidad y cantidad de los datos de entrenamiento presenta desafíos, incluyendo la escasez de datos y la distribución de etiquetas desbalanceada. Una posible forma de aumentar la distribución de datos textuales es utilizar métodos de aumento de datos en los que las muestras de datos de entrenamiento son transformadas artificialmente a otros datos con un contexto similar. Un enfoque efectivo para generar muestras textuales más extensas y variadas implica utilizar las capacidades de grandes modelos de lenguaje. Así, este trabajo introduce un estudio comparativo sobre la evaluación del impacto de varios métodos de aumento, a saber, Eliminación Aleatoria, Reemplazo de Sinónimos, generación de GPT3.5 y Intercambio de Caracteres. Comparamos el rendimiento a través de seis modelos de aprendizaje profundo, a saber, CNN-LSTM, BI-LSTM, BERT, TCN, Ensemble CNN Bidirectional GRU y Red neuronal profunda. Los resultados experimentales revelan que BERT exhibe mejoras significativas en precisión a través de diferentes métodos de aumento, mostrando aumentos del 14% en Eliminación Aleatoria, 12.9% en Reemplazo de Sinónimos y 6.5% en Intercambio de Caracteres.