Resolviendo la Ambigüedad en la Clasificación de Sentimientos

El análisis de sentimientos se ha vuelto popular en aplicaciones de inteligencia empresarial y análisis debido a la gran necesidad de obtener conocimientos de las vastas cantidades de contenido generado por los usuarios en Internet. Un desafío importante del análisis de sentimientos, al igual que en la mayoría de las tareas de clasificación de texto, es encontrar estructuras en textos no estructurados. Las técnicas existentes de análisis de sentimientos emplean el enfoque de aprendizaje supervisado y el enfoque de puntuación léxica, los cuales dependen en gran medida de la representación de un documento como una colección de palabras y frases. La ambigüedad semántica (es decir, polisemia) de palabras individuales y la escasez de frases afectan negativamente la robustez del análisis de sentimientos, especialmente en el contexto de textos breves en redes sociales. En este estudio, proponemos representar textos utilizando características de dependencia. Probamos la efectividad de las características de dependencia en la clasificación de sentimientos supervisada. Comparamos nuestro método con la práctica estándar actual utilizando un conjunto de datos etiquetados que contiene 170,874 mensajes de microblogging. La combinación de características unigramas y características de dependencia superó significativamente a otros tipos de características populares.