Análise de Sentimentos: Experimentos com Tweets

Edição: XIV - 2021

ID: 1431

Participantes:

• [BOLSISTA] - Mateus Armond Freire | mateusfreire.ch217@academico.ifsul.edu.br
• [ORIENTADOR] - Ulisses Brisolara Corrêa | ulissescorrea@ifsul.edu.br

Número de Registro: PE06200620/040

Campus: Charqueadas

Nível: Ensino Superior

Área: Engenharias

Temática: Multidisciplinar

Resumo

Com a popularização das redes sociais, indivíduos ganharam protagonismo na geração de conteúdo opinativo através da Internet. Opiniões são um fator chave na tomada de decisões tanto de indivíduos quanto de empresas. No entanto, existe uma escassez de recursos de análise de sentimento desenvolvidos para a língua portuguesa. Assim, este trabalho tem como objetivo o desenvolvimento de um classificador de tweets, capaz de extrair a orientação de sentimento de um determinado post, ou seja, detectar se a opinião expressa no tweet é positiva, negativa ou neutra, com base em nossa língua. Sabendo que, o aprofundamento nessa área por parte de nossa língua é bem baixo, a criação de um classificador para o português é bastante importante, pois estimula ainda mais o estudo desta área em nossa língua. Utilizamos um conjunto de dados já existente, chamado Tweets-MG, o qual possui diversos tweets relacionados ao governo de Minas Gerais. Nosso classificador foi criado na linguagem Python, com diversas bibliotecas direcionadas para inteligência artificial. Antes de criar o algoritmo específico para o projeto em questão, foram criados vários algoritmos para diferentes datasets, sendo assim, foi necessário apenas adequar o algoritmo para ele. Dado o caráter informal do linguajar utilizado na Internet, foi necessário realizar o pré-processamento dos tweets. Primeiramente, foram descartados dados irrelevantes contidos no conjunto de dados, após isso, os comentários foram representados de forma numérica para possibilitar o treinamento de redes neurais artificiais (RNA). Após isso, uma RNA foi treinada para aprender os padrões presentes no dataset de treinamento. Os resultados do modelo para dados de teste, desconhecidos no treinamento, foram: na primeira época, foi obtido o valor de acurácia de 0,9634; na segunda época, foi de 0,961; já na terceira época passou a ser de 0,9634, sendo que o erro foi de 0,014.

Palavras-chave

Análise de Sentimentos;Machine Learning;Minerando Sentimentos

Banner

Clique aqui para abrir o banner.

Vídeo/Pitch

Caso o vídeo não abra, clique aqui.