Modelo ontológico para la detección de características de una entidad aplicado al análisis de sentimientos a nivel de aspectos en español.

Transcripción

1 Modelo ontológico para la detección de características de una entidad aplicado al análisis de sentimientos a nivel de aspectos en español. Carlos N. HENRIQUEZ Programa de Ingeniería de Sistemas Universidad Autónoma del Caribe Barranquilla, Atlántico, Colombia y Jaime A. GUZMAN Departamento ciencias de la computación y decisión Universidad Nacional de Colombia Medellín, Antioquia, Colombia RESUMEN Hoy en día la cantidad de datos producidos a nivel mundial es muy alta. Toda esta gama de datos resulta atractiva para diferentes estamentos comerciales, industriales y académicos, pero la extracción y su respectivo procesamiento, se hace muy complejo si se hace forma manual. Por lo anterior, han surgido nuevas áreas de investigación que ayudan a abordar esta problemática. Dentro de estas áreas se encuentra el análisis de sentimientos que busca procesar opiniones escritas acerca de una persona o entidad para determinar su polaridad (positiva o negativa). En este sentido, este artículo propone la descripción, análisis y selección de un enfoque apropiado para la detección automática de características de una entidad que permitan la construcción de un sistema de análisis de sentimientos a nivel de aspectos. Como resultados parciales se exponen los componentes del modelo de detección basado en ontologías, así como las acciones y selección de herramientas computacionales para su posterior implementación Palabras claves: Análisis de sentimiento, ontologías, aspectos, PLN. 1. INTRODUCCIÓN Hoy en día la cantidad de datos producidos a nivel mundial es muy alta. Por ejemplo, en la Internet se producen millones de datos debido a la utilización masiva de las redes sociales, servicios de mensajería, blogs, wikis, comercio electrónico, entre otros. Toda esta gama de datos es atractiva para diferentes estamentos comerciales, industriales y académicos, pero la extracción y su respectivo procesamiento, hace que esta tarea sea muy compleja y difícil si se hace de forma manual. Debido a lo anterior, existen las técnicas de procesamiento natural (PLN) y particularmente el análisis de sentimientos (AS). El AS busca analizar las opiniones, sentimientos, valoraciones, actitudes y emociones de las personas hacia entidades como productos, servicios, organizaciones, individuos, problemas, sucesos, temas y sus atributos [1]. El análisis de sentimiento (AS) ha mostrado una alta tendencia de investigación en los últimos años debido a la producción en gran escala de opiniones y comentarios por parte de usuarios activos en la Internet. Hasta ahora, la gran mayoría de trabajos de investigación involucran sistemas de AS en el idioma inglés. Por este motivo, la comunidad científica está interesada en trabajos diferentes a este lenguaje. Los enfoques tradicionales para el AS tratan de detectar la polaridad global de una frase, un párrafo o un texto completo [2]. Por ejemplo, un análisis a nivel de documento clasifica el sentimiento de todo un documento en positivo o negativo [3]. A nivel de frase clasifica el sentimiento expresado en cada oración y el basado en aspectos lo clasifica con respecto a las características específicas de una entidad encontradas en cada frase. Los dos primeros enfoques, resultan a veces incompletos ante la realidad de las empresas u organizaciones que quieren saber en detalle el comportamiento de su producto [4]. Este tipo de análisis no permite a las organizaciones tener la seguridad o la entereza de tomar algunas acciones correctivas o planear algunas actividades incluso la toma de decisiones estratégicas. El AS a nivel de aspectos o características, tiene como objetivo identificar las propiedades o características de un producto o una entidad y determinar la opinión o sentimiento expresado de cada aspecto de esa entidad. Un aspecto es un atributo o componente de una entidad, por ejemplo, la pantalla de un televisor o la calidad de las fotografías de una cámara. En la literatura existen dos subtareas importantes para hacer AS a nivel de aspectos [5]. La primera tarea está relacionada en detectar los aspectos de una entidad en un texto dado y la segunda determinar el sentimiento asociado a ese aspecto [6]. Por ejemplo, en la frase, "La calidad del sonido de este teléfono es increíble ", el aspecto es 215

2 "sonido y la entidad es "teléfono. El sentimiento asociado es increíble que es una calificación positiva. En cuanto a la detección de aspectos, muchos trabajos en la literatura trabajan con una lista predeterminada [2], [5]. Otros enfoques, según [1] como el conteo de nombres y frases para calcular su frecuencia dentro de un documento [6], [7]. Este enfoque funciona aceptablemente pero se olvida de aquellos aspectos que no aparecen mucho en el texto. Otro enfoque aprovecha las relaciones entre sentimiento y aspectos [8] [9] el cual después de buscar los sentimientos, encuentra la relación con palabras o frases que puedan ser aspectos. Este enfoque se ha usado mucho en sistemas en el idioma ingles y depende mucho de un conjunto de recursos lingüísticos donde aparecen etiquetados un grupo de sentimiento. El siguiente enfoque es basado en modelos de aprendizaje supervisado que necesitan un conjunto previo de datos etiquetados para entrenamiento [10], [11], [12], [13]. El último enfoque, se basa en modelo estadísticos topic model que se basan en principios basados en inferencia probabilística y se puede ampliar para modelar muchos tipos de información. Esto lo hace tener algunas debilidades que limitan su uso práctico en la vida real en aplicaciones de análisis de sentimiento. Para este enfoque se necesita un gran volumen de datos y una cantidad significativa de afinación con el fin de lograr resultados razonables. Si bien no es difícil para este enfoque encontrar temas frecuentes o aspectos de una colección de documentos grande, no es fácil de encontrar aquellos aspectos que son localmente frecuentes, pero a nivel mundial no son tan frecuentes. Por lo anterior, aunque los enfoques son usados aceptablemente para algunas tareas específicas de AS, estos no tienen en cuenta el significado de cada característica hallada, siendo esta una extracción automática casi ciega que no permite obtener más información pertinente para otros propósitos. Con respecto a la detección de aspectos en español, se han encontrado pocos aportes referentes a la extracción automática. Los pocos trabajos emplean técnicas de aprendizaje automático para determinar la polaridad después de poseer una lista de aspectos predeterminada [2], [5]. Sin embargo en algunos textos va a ser imposible tener una lista de aspectos a priori para la clasificación. Adicionalmente existen pocos enfoques propuestos para la extracción de aspectos implícitos en el idioma español. Teniendo en cuenta lo anterior, existen otros enfoques que tienen en cuenta el significado. Dentro de estos enfoques, están los basados en ontologías que han sido probados con éxito para la detección de aspectos [14] aportando sus estructuras semánticas al hallazgo de características precisas de las entidades de estudio. En trabajos como [15], [16], [17], [18], [19] se han evidenciado las mejoras con este enfoque. En el contexto de esta propuesta, las ontologías consisten en especificaciones formales y explícitas que representan los conceptos de un determinado dominio y sus relaciones, es decir, son un modelo abstracto de un dominio, donde los conceptos utilizados están claramente definidos [20]. Estas ontologías son muy utilizadas en la llamada Web semántica para representar una base de conocimientos que involucra el trabajo de agentes inteligentes. Los componentes de una ontología según [21] son: Clase: conjunto de objetos (físicos, tareas, funciones, etc.). Cada objeto en una clase es una instancia de esa clase. Relaciones: Se establecen entre conceptos de una ontología para representar las interacciones. Propiedades: Los objetos se describen por medio de un conjunto de características o atributos. Estos almacenan diferentes clases de valores. Las especificaciones, rangos y restricciones sobre estos valores se denominan facets. Instancias: Son objetos, miembros de una clase, que no pueden ser divididos sin perder su estructura y características funcionales. Pueden ser agrupados en clases. Axioma: Elementos que permiten la modelación de verdades que se cumplen siempre en la realidad. Existen tres tipos de axiomas: relacionales, no-relacionales y generales. El trabajo presentado en este documento está motivado principalmente por la necesidad de seleccionar un enfoque adecuado para la detección de características de una entidad que permita la construcción de un sistema de AS a nivel de aspectos para el español. En la próxima sesión se presenta la metodología empleada, luego los resultados parciales y finalmente las conclusiones. 2. METODOLOGÍA Tomando como punto de partida que se trata de una investigación aplicada y cuyo tipo de estudio es descriptivo, este proyecto se compone de tres (3) fases: 1) Fase teórica: En esta fase se realiza una revisión de literatura que describe y analiza los diferentes enfoques para detectar aspectos. 2) Fase de consolidación: En esta fase se realiza la selección del enfoque y el diseño del modelo. 3) Fase de prototipo: En esta fase se define la arquitectura del sistema y el desarrollo de la herramienta computacional para el AS en español a nivel de aspectos a partir del modelo seleccionado. 216

3 3. RESULTADOS A continuación se muestran los resultados parciales del proyecto descrito anteriormente, específicamente en las dos primeras fases. En la primera fase se tomaron los principales enfoques para detección de aspectos para su posterior análisis. Los enfoques estudiados fueron: sustantivo más frecuente, aspectos a partir de sentimientos, aprendizaje supervisado, modelos de tema y el uso de ontologías. En la Tabla 1. Se muestra los enfoques con su descripción general. Tabla1. Enfoques para la detección de aspectos Enfoque Sustantivo frecuente más Aspectos a partir de sentimientos Aprendizaje supervisado Modelos de tema Ontologías Descripción Esta técnica consiste en hallar expresiones de aspectos explícitas que generalmente son sustantivos, y que tienen un umbral de frecuencia alto, es decir, las personas cuando hablan acerca de una entidad, generalmente tienden a convergir, por lo que esos sustantivos que son mencionado con frecuencia tienden a ser aspectos genuinos e importantes. Busca hallar el aspecto a partir de las palabras de sentimientos. Este busca el sustantivo o sintagma nominal más cercano a la palabra sentimiento y se extrae. Por ejemplo: El software es increíble, la palabra sentimiento es increíble y el sintagma nominal más cerca es software, por lo tanto ese serial el aspecto. Consiste en proveerle al software la información necesaria para la detección de aspectos, usando una técnica de etiquetación de datos, lo cual permitirá organizar unos grupos, con los cuales una vez que ya el software posea dicha data, puede tomar las partes la oración y organizarla por grupo y así lograr detectar el aspecto. Asume que cada texto es una mezcla de temas y que cada tema es una distribución de probabilidad, lo que se genera de este método es un conjunto de grupos con temas y con su distribución de probabilidad, de tal manera que gracias a esta distribución se pueda ubicar las palabras de un texto en un tema que contienen sinónimos de aspectos similares y así poder encontrar el aspecto del texto. Se centra en la adquisición de los términos que representan un dominio a partir de datos, teniendo como objetivo principal crear una jerarquía de conceptos. Busca extraer los conceptos, los distintos términos usados para referirse a un concepto, los diferentes sinónimos de los términos y las relaciones entre los conceptos. De tal manera que al final podamos desglosar la frase y enviarla a la ontología y determinar el aspecto. En la Tabla 2 se muestra las falencias encontradas en cada enfoque. Tabla 2. Falencias encontradas por enfoque Enfoque Sustantivo más frecuente Aspectos a partir de sentimientos Aprendizaje supervisado Falencias Se olvida de aquellos aspectos que no aparecen mucho en el texto. Depende de la detección correcta del sentimiento para poder hallar el aspecto. Se necesitan recursos lingüísticos de sentimientos robustos. Necesita aspectos etiquetados para su entrenamiento con gran participación humana. Modelos de tema La falencia se presenta en la distribución de temas y la concurrencia de palabras. En opiniones sobre un determinado tipo de producto, se convierten en homogéneos, es decir, que se habla en todas partes del texto de opiniones sobre el mismo aspecto, afectando de esta manera la distribución estadística. Ontologías Debe existir una ontología de dominio robusta. En cuanto a la segunda fase se seleccionó el enfoque de detección a partir del análisis de la literatura y falencias encontradas. El enfoque seleccionado fue el uso de Ontologías debido, básicamente, a que los otros enfoques no tienen en cuenta el significado de la característica hallada, siendo está manejada como una extracción ciega que no permite obtener más información pertinente para otros propósitos. Adicionalmente las ontologías ofrecen estructuras semánticas que permiten el hallazgo de características precisas tanto explicitas e implícitas de las entidades de estudio. Al mismo tiempo el análisis de sentimiento se puede hacer en cualquier dominio solo con cambiar la ontología que representa la base de conocimientos de ese dominio Como resultado se obtiene un modelo que combina el procesamiento de lenguaje natural junto con ontologías para la detección de aspectos. Este modelo se basa en tres componentes: Limpieza de texto, análisis morfosintáctico y extracción de aspectos (ver Figura 1). En el primer componente se recibe una opinión y realiza un preprocesamiento para obtener un texto más limpio. Las técnicas de PLN como lematización, segmentación, borrado de stopwords y detección de palabras mal escritas son aplicadas. 217

4 4. Selección de palabras etiquetadas como sustantivo 5. Búsqueda en la ontología en propiedades y relaciones de la misma. 6. Análisis y clasificación de posibles aspectos En la Figura 2 se puede ver la relación existente entre las herramientas seleccionadas y las acciones a desarrollar. Figura1. Modelo ontológico para detección de aspectos. En el segundo componente se realiza un análisis morfológico que busca obtener la categoría gramatical (sustantivo, verbo, adjetivo, adverbio) de cada palabra y luego un análisis sintáctico de dependencias para aprovechar la relaciones inherentes del árbol. En el último componente se detecta las características de una entidad haciendo uso de la ontología. Para esto se debe tener una ontología de dominio que exprese las entidades y sus relaciones. Para detectar los aspectos, solo se tomarán del árbol de dependencias, aquellos que tengan categoría gramatical de sustantivo, y se buscarán las ocurrencias en toda la ontología, específicamente en las relaciones y propiedades. Adicional al modelo propuesto se han establecido las herramientas de apoyo y el proceso lógico (acciones) a seguir para la implementación del modelo que se lleva a cabo en la última fase. En cuanto a las herramientas seleccionadas, se tienen previstas para la limpieza de texto una aplicación propia escrita en Java para retiros de palabras sin sentido (stopwords) y borrado de símbolos. Para detección de palabras mal escritas se utilizará Jhorto 1. Para la lematización y análisis morfosintáctico se usará Freeling 2. Para el manejo y prueba de la ontología se utilizará la herramienta Protege 3. La herramienta principal que integrará todo se realizará en tecnología Java. El proceso lógico que busca la detección de aspectos a partir de un texto escrito en español se realizará de la siguiente manera: 1. Captura de la opinión. 2. Limpieza de texto 3. Análisis morfológico para etiquetar cada una de las palabras Figura2. Herramientas y acciones para implementar modelo. Para comparar, al menos el diseño del modelo, se encontró a [15] que realiza un análisis en texto en tweets en inglés. Este trabajo propone un AS a nivel de documento y no detecta características de una entidad. También encontramos en AS a nivel de documento en [19] que realiza un análisis en el dominio del cine en inglés. Estos dos trabajos difieren en el modelo propuesto en las estructuras gramaticales que se analizan y que el tipo de análisis no es muy profundo. Otro trabajo propuesto en [22] presenta un sistema completo de AS a nivel de aspecto en el dominio de restaurantes en el idioma francés. Este trabajo utiliza las ontologías para detectar las características de una opinión de restaurantes. Las diferencias puntuales con el trabajo de Cadillac y el propuesto se establecen en el análisis de la estructura gramatical (español), la independencia de la detección de los aspectos del sentimiento y la búsqueda heurística de los elementos de la opinión en la ontología. Finalmente se prevé el desarrollo de la última fase para la implementación y validación del modelo en una siguiente etapa en los dominios de hospedaje (hoteles) y entretenimiento (cine). Aun así, se puede señalar que el modelo propuesto será una alternativa fiable para la detección de aspectos con miras al desarrollo de un modelo completo de AS a nivel de aspectos en el idioma español, a partir de lo analizado en la literatura y las mejoras propuestas

5 4. CONCLUSIONES Este artículo muestra el proceso realizado para la selección de un enfoque que permita la detección automática de aspectos de una entidad en español. Como resultado se presenta un modelo ontológico para la detección de aspectos en un texto que será utilizado posteriormente en un sistema para análisis de sentimiento a nivel de aspecto. Se muestra además, los componentes del modelo, las herramientas y acciones necesarias para su implementación. Si bien el modelo no se ha implementado aun, se considera una alternativa viable para la detección de aspectos en el idioma español ya que combina técnicas usadas y comprobadas, como las técnicas de PLN y ontologías, en el ámbito del análisis de sentimientos. 5. BIBLIOGRAFÍA [1] B. Liu, Sentiment Analysis and Opinion Mining, Synthesis Lectures on Human Language Technologies, [2] L. Hurtado y F. Pla, «Análisis de Sentimientos, Detección de Tópicos y Análisis de Sentimientos de Aspectos en Twitter,» de TASS 2014, [3] B. Pang y L. Lee, «Opinion Mining and Sentiment Analysis,» Vols. %1 de %22(1-2), nº 1-135, [4] S. Jiménez, E. Martéınez, M. T. Martíın y L. A. Ureña, «Desafíıos del Anáalisis de Sentimientos,» de timm2014, [5] H. Wang, Y. Lu y C. Zhai, «Latent aspect rating analysis on review text data: a rating regression approach,» de Proceedings of the 16th ACM SIGKDD international conference on Knowledge discovery and data mining. ACM, [6] A. Bagheri, M. Saraee y F. d. Jong, «An Unsupervised Aspect Detection Model for Sentiment Analysis of Reviews,» de Language Processing and Information Systems, Springer Berlin Heidelberg, 2013, pp [7] W. Zhang, H. Xu y W. Wan., «Weakness Finder: Find product weakness from Chinese reviews by using aspects based sentiment analysis.,» Expert Systems with Applications, vol. 39, nº 11, pp , [8] G. Qiu, B. Liu, J. Bu y C. Chen, «Opinion word expansion and target extraction through double propagation,» Computational Linguistics, vol. 37, nº 1, pp. 9-27, [9] A. G. Pablos, M. Cuadros, G. Rigau y S. Gaines, «Unsupervised acquisition of domain aspect terms for Aspect Based Opinion Mining,» Procesamiento del Lenguaje Natural, vol. 53, pp , [10] J. Broß, Aspect-Oriented Sentiment Analysis of Customer Reviews Using Distant Supervision Techniques, Freie Universität Berlin, Germany., [11] D. Marcheggiani, O. Täckström, A. Esuli y F. Sebastiani, «Hierarchical multi-label conditional random fields for aspect-oriented opinion mining.,» de Advances in Information Retrieval, Springer International Publishing, 2014, pp [12] G. Somprasertsri y P. Lalitrojwong, «Automatic product feature extraction from online product reviews using maximum entropy with lexical and syntactic features,» de IEEE International Conference on, [13] J. Steinberger, T. Brychcın y M. Konkol, «Aspectlevel sentiment analysis in czech,» ACL, p. 4, [14] E. Cambria, «An introduction to concept-level sentiment analysis.,» de Advances in Soft Computing and Its Applications, Springer Berlin Heidelberg, 2013, pp [15] E. Kontopoulos, C. Berberidis, T. Dergiades y N. Bassiliadesa, «Ontology-based sentiment analysis of twitter posts,» Expert Systems with Applications, vol. 40, nº 10, p , [16] L. Freitas y R. Vieira, «Ontology based feature level opinion mining for portuguese reviews,» de Proceedings of the 22nd international conference on World Wide Web companion. International World Wide Web Conferences Steering Committee, [17] J. Ruiz-Martínez, R. Valencia-García y F. García- Sánchez, «Semantic-Based Sentiment analysis in financial news,» de Proceedings of the 1st International Workshop on Finance and Economics on the Semantic Web, [18] I. Peñalver-Martinez, F. Garcia-Sanchez, R. Valencia-Garcia, M. Á. Rodríguez-García, V. Moreno, A. Fragab y J. L. Sánchez-Cervantes, «Feature-based opinion mining through ontologies,» Expert Systems with Applications, vol. 41, nº 13, pp , [19] I. Peñalver-Martínez, R. Valencia-García y F. García-Sánchez., «Ontology-guided approach to feature-based opinion mining.,» de Natural Language Processing and Information Systems., Springer Berlin Heidelberg, 2011, pp [20] Studer y v. D. F. Rudi, «Knowledge engineering : principles and methods,» Data & Knowledge engineering, pp ,

6 [21] N. F. Noy y D. L. McGuinness, «Ontology Development 101: A Guide to Creating Your First Ontology,» [22] A. F. B. a. N. A.-G. Cadilhac, «ntolexical resources for feature based opinion mining: a case-study.,» de 23rd International conference on computational linguistics,