Unidad VIII Lenguaje Natural Análisis de Sentimientos

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Unidad VIII Lenguaje Natural Análisis de Sentimientos"

Jorge Aguilera Lara
hace 5 años
Vistas:

1 Unidad VIII Lenguaje Natural Análisis de Sentimientos Maestría en Sistemas Computacionales Clave: MPSCO Créditos Sesiones Sábados Rafael Vázquez Pérez

2 Agenda Los sentimientos son inocentes como las armas blancas. Mario Benedetti 8.3 Fundamentos del Análisis de Sentimientos

3 Análisis de Sentimientos Es el uso de software para extraer automáticamente opiniones, emociones y el sentir de la gente. Nos permite rastrear actitudes y sentimientos en la web. Ya sea en Blogs, comentarios, foros, twitter, etc. Se pueden rastrear productos, marcas o personas para determinar si son bien o mal vistos en la red.

4 Análisis de Sentimientos Podemos analizar... Hechos Esa pintura costó más que un Monet Opiniones El Monet no me gustó, Pollock es un mejor artista

5 Hechos y Opiniones Qué es un hecho? Es una acción ejecutada, es un acontecimiento ocurrido, presentado objetivamente sin creencias o juicios del autor cuya principal característica es que es DEMOSTRABLE, pertenece al presente o al pasado y es expresado de forma unívoca. (Si se demuestra que no es cierto, es un Hecho falso, pero no vamos a entrar en ello, pero sí en que se puede DEMOSTRAR)

6 Hechos y Opiniones Ejemplos: Parral ganó el estatal de Baseball en el 2014 Yo corrí el 21k Oxxo en 2 horas Esta computadora es una mac. Note que no se han usado adjetivos, ni subjuntivos, ni condicionales

7 Hechos y Opiniones Qué es una opinión? Se manifiesta la creencia o juicio personal del autor, resultado de una emoción o de una interpretación propia de un Hecho. Se puede observar a simple vista que, como depende del autor, tendremos distintas creencias o juicios sobre el mismo hecho

8 Hechos y Opiniones Por ejemplo: Parral juega espantoso He corrido muy lento Esta mesa es grande La gran diferencia es que una opinión no se puede afirmar como verdadera o falsa y un hecho sí. Frente a una opinión puedes estar de acuerdo o en desacuerdo dependiendo de si tienes la misma creencia o no. Y opiniones hay tantas como personas, así que empecemos a ahorrarnos discusiones sin sentido (debates sí, discusiones no).

9 Análisis de Sentimientos Areas de la Computación que intervienen: Big Data- Se recaban una gran cantidad de datos (Data Mining, Minería de Opinión) para mejorar el desempeño de los algoritmos Procesamiento de Lenguaje Natural-Transformar el texto en un formato que la maquina puede comprender. Inteligencia Artificial- Utiliza la información que da el PLN y muchas matemáticas para determinar si algo es positivo o negativo

10 Análisis de Sentimientos El problema tiene varias dimensiones: Cómo define el algoritmo la subjetividad y el sentir? Cómo analizamos la polaridad (positivo/negativo)? Cómo procesamos las oraciones con palabras subjetivas? Cómo asignamos un valor a una opinión? Cómo podemos saber la intensidad de un sentimiento?

11 La palabra Madre y sus connotaciones A toda Madre Alegría En la Madre Ingesu Madre Enojo Ni Madres Negativa Madressss!!!! Sorpresa Donde está esa Madre? Ubicación Eso Sabe a Madres Vales pa pura Madre Despectivo Atrapado en la movida Sentido del gusto

12 HE y ML Human Engineering Sistemas expertos con listas de palabras buenas y malas hechas a mano Machine Learning PLN: Procesamiento de lenguaje natural y comprensión del habla, se utilizan modelos estadísticos y sets de entrenamiento Tipos Supervisado y Directo Sin supervisar y sin datos Semisupervisado

13 Que es una opinión para la máquina? Es una quintupla, o sea un objeto hecho de 5 cosas distintas ( oj, fjk, soijkl, hi, tl ) o es el objeto en cuestión f alguna característica del objeto so el valor del sentir de la opinión de la persona h en cuanto a la característica f del objeto o al tiempo t

14 El lenguaje es demasiado ambiguo para la máquina El reloj no es resistente al agua.- Es negativo en una reseña pero neutral en la descripción del producto. tan malo como la carne de cerdo.- Es negativo pero no lo entiende la maquina lol estuvo increeeeeibleeeeeee.- Lenguaje común en redes, muy difícil de procesar.

15 Tenemos Social Data Datos generados de actividades humanas en redes sociales

16 Mas Info El fenómeno de las redes sociales pasó de ser un medio de interacción para jóvenes a ser un canal de comunicación que las empresas deben considerar seriamente El estudio titulado Social Media Benchmark Study 2013 nos dice que el 67% de los consumidores utilizan los perfiles en redes sociales de una empresa para obtener información sobre los servicios

17 Mas Info y que el 43% de los jóvenes de entre 18 y 29 años, prefiere interactuar con las marcas a través de las redes sociales, que utilizar otro tipo de comunicación. En definitiva, las redes sociales son un mercado en que las empresas deben invertir tiempo y esfuerzo.

18 El proceso inicial Etiquetar parte del discurso, pero también la posición y mas Las palabras en un texto son etiquetadas usando un POStagger, para asignarle una etiqueta a cada palabra, permitiendo así que el algoritmo las pueda procesar, esto se puede ver así:

19 Revisamos como está orientado el sentimiento (so) de los patrones que extrajimos: Increíble+Teléfono lo cual es: [JJ]+[NN] (adjetivo seguido por un sustantivo) Lo opuesto sería terrible, en este paso el algoritmo trata de situarlo en una escala emotiva por así decirlo.

20 Los efectos de la negación La comida no estuvo buena Hay que seguir el negativo hasta que el termino de la oración o algún signo de puntuación, para determinar el sentimiento. El efecto de la negación depende del término Doble negativo mediano -> no esta mal = bien Doble negativo extremo -> no está horrible = regular

21 Parcialidad del aprendizaje Si revisamos IMDB encontramos que la palabra bad se repite mucho mas veces en las criticas con 10 estrellas que en las de 2 estrellas Por lo tanto tenemos que normalizar usando frecuencias relativas

22 Sentimiento en redes Emoticones :) ;( :/ Con expresiones regulares podemos detectar el 95% de estos ignoramos los complejos Longitud La presentación estuvo geniaaaaaaaaal! David es el mejoooor! No hay palabras con 3 vocales seguidas Fácil de normalizar por lo común que son El ruido lo podemos quitar con más datos, usamos la idea de Big Data y limpiamos los datos. Incluimos muchos modelos de entrenamiento

23 Clasificando los sentimientos Naive Bayes (usamos el teorema de bayes) Entropia Máxima (usa distribuciones de probabilidad en base a conocimiento parcial) Support Vector Machines (los datos los convertimos a vectores en espacio 2D) Relevance Vector Machine (similar a SVM pero asigna probabilidades usando Sparse Bayesian Learning) SVM y RVM tienen un 80 % de mejor desempeño que los otros

Documentos relacionados

Inteligencia Artificial: Su uso para la investigación

Inteligencia Artificial: Su uso para la investigación Dra. Helena Montserrat Gómez Adorno Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas helena.adorno@iimas.unam.mx 1 Introducción