SINAI en TASS 2012

  1. Martínez Cámara, Eugenio
  2. García Cumbreras, Miguel Ángel
  3. Martín Valdivia, María Teresa
  4. Ureña López, Luis Alfonso
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2013

Número: 50

Páginas: 53-60

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

En el presente artículo se describe la participación del grupo de investigación SINAI de la Universidad de Jaén en la primera edición del taller sobre Análisis de Sentimientos en el congreso de la SEPLN (TASS 2012). El Taller propone dos tareas, una centrada en la determinación de la polaridad de tweets en español, y una segunda en la que hay que identificar los temas a los que pertenecen los tweets. Para la primera tarea se ha optado por una estrategia de aprendizaje automático supervisado, siendo SVM el algoritmo elegido. En cuanto a la segunda tarea, también se ha utilizado SVM, y con el fin de mejorar el resultado de la clasificación se ha combinado con bolsas de palabras de cada uno de los temas

Referencias bibliográficas

  • Asur, Sitaram, Huberman, Bernardo A. (2010). Predicting the Future with Social Media. 2010 IEEE/WIC/ACM International Conf. on Web Intelligence and Intelligent Agent Technology, 1, pp.492-499.
  • Bollen, J. Mao, H., Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 21, pp. 1-8.
  • Diakopoulos, N. A. and D. A. Shamma. (2010). Characterizing debate performance via aggregated twitter sentiment. CHI10: Proc. of the 28th International Conf. on Human Factors in Computing Systems. New York, NY, USA. ACM. pp 1195–1198.
  • Garcia, S. O'Mahony, M.P., Smyth, B. Towards tagging and categorization for micro-blog. 21st National Conf. on Artificial Intelligence and Cognitive Science (AICS 2010), Galway, Ireland.
  • Go, A., R. Bhayani, and L. Huang. (2009). Twitter sentiment classification using distant supervision. Technical report, Stanford Digital Library Technologies Project
  • Hu, Minqing, Liu, Bing. (2004). Mining and Summarizing Customer Reviews. Proc. of the ACM SIGKDD International Conf. on Knowledge Discovery and Data Mining (KDD-2004). Seattle, Washington, USA.
  • Jansen, B., M. Zhang, K. Sobel, and A. Chowdury (2009). Twitter power:tweets as electronic word of mouth. Journal of the American Society for Information Science and Technology.
  • Jung, J.J. Towards Named Entity Recognition Method for Microtexts in Online Social Networks: A Case Study of Twitter, International Conf. on Advances in Social Networks Analysis and Mining, pp.563-564
  • Martínez-Cámara E., Martín-Valdivia M. T., Perea-Ortega, J. M., Ureña-López, L. A. (2011b). Técnicas de clasificación de opinions aplicadas a un corpus en español. Procesamiento de Lenguaje Natural. 47, pp. 163-170.
  • Martínez-Cámara E., Martín-Valdivia M. T.,Ureña-López, L. A. (2011a). Opinion classification techniques applied to a Spanish corpus. Natural Language Processing and Information Systems. Springer, pp 169-176.
  • O’Connor, B., R. Balasubramanyan, B. R. Routledge, and N. A. Smith (2010). From Tweets to polls: Linking text sentiment to public opinion time series. International AAAI Conf. on Weblogs and Social Media, Washington, D.C.
  • Pak, A., P. Paroubek (2010). Twitter as a corpus for sentiment analysis and opinion mining. Proc. of the Seventh Conf. on International Language Resources and Evaluation (LREC’10), (ELRA),Valletta, Malta, pp. 19–21.
  • Pang, B., Lee, L. (2008). Opinion mining and sentiment analysis. Foundation and Trends in Inf. Retrieval 2(1-2) 1-135
  • Pang, B., Lee, L., Vaithyanathan, S. (2002). Thumbs up? Sentiment classification using machine learning techniques. Proc. of the Conf. on Empirical Methods in Natural Language Processing (EMNLP). ACL. pp. 79–86.
  • Petrovic, S., Osborne, M., Lavrenko, V. (2010). The Edinburgh Twitter corpus. SocialMedia Workshop: Computational Linguistics in a World of Social Media, pp. 25–26.
  • Read, J. (2005). Using emoticons to reduce dependency in machine learning techniques for sentiment classification. Proc. of the ACL Student Research Workshop, pp. 43–48.
  • Sriram, B., Fuhry, D., Demir, E., Ferhatosmanoglu, H. and Demirbas, M. 2010. Short text classification in Twitter to improve information filtering. In Proc. of the 33rd International ACM SIGIR Conf. on Research and development in Inf. Retrieval (SIGIR '10). ACM
  • Turney, P. D. (2002). Thumbs up or thumbs down?: semantic orientation applied to unsupervised classification of reviews. Proc. of the 40th Annual Meeting on ACL. Morristown, NJ, USA. pp. 417–424.
  • Vapnik, V. (1995). The Nature of Statistical Learning Theory. Springer-Verlag, New York.
  • Villena-Román, J. Lana-Serrano, S. González-Cristóbal, J.C. Martínez-Cámara, E. (2013). TASS – Workshop on Sentiment Analysis at SEPLN. Procesamiento de Lenguaje Natural, 50.
Fuente de los datos: Dialnet