GPLSI Sentiment Analysis V1.0: Análisis de sentimientos en textos

Abstract

Resumen de la aplicación: GPLSI Sentiment Analysis v1.0 constituye una interfaz de programación de aplicaciones (API) que incluye librerías de programación útiles para sistemas de terceros. El objetivo de esta tecnología es analizar textos y detectar la polaridad de los sentimientos (estados de opinión) expresados en ellos. La funcionalidad para detectar la polaridad de los sentimientos implica dos niveles de granularidad: polaridad a nivel global (PNG) y polaridad a nivel de aspectos (PNA). La PNG del texto se define como el análisis de todo el texto para determinar el estado de opinión (positivo, negativo o neutral). La PNA determina el estado de opinión para un aspecto en particular de una entidad dentro un contexto determinado. Por ejemplo, en un mismo texto (usualmente comentarios de usuarios) podemos encontrar opiniones diferentes y opuestas sobre los actores de una película y su banda sonora. Ambas funcionalidades, PNG y PNA, se basan en clasificadores SVM (Support Vector Machines) que son alimentados con patrones léxicos de skip-grams obtenidos de textos de entrenamiento. En el caso de PNG, estos clasificadores han sido entrenados sobre los conjuntos de datos de la competición Semeval task 2 (10.709 comentarios de usuarios) y Metacritic (5.888 críticas de usuarios sobre películas). Con respecto a PNA, se ha utilizado como conjunto de entrenamiento el corpus de la competición Semeval 2014 - Task 4 - Subtask - 1 - Restaurants. Los resultados para PNG oscilan entre el 62% y el 88% de precisión, dependiendo de la calidad de redacción del texto analizado. Con respecto a PNA, los resultados se encuentran alrededor del 61% de precisión.

Summary: GPLSI Sentiment Analysis v1.0 is an application programming interface (API) which involves programming libraries for third-parties. The aim of this technology is to analyse texts to detect sentiment polarities. Two different levels of analysis are defined in this tool: global polarity (GP) and aspect-based polarity (ABP). GP allows inferring the sentiment polarity expressed in the whole text, whereas ABP determines the polarity regarding particular aspect mentioned in it. Both functionalities are based on Support Vector Machines. The GP algorithm have been trained by using the following datasets: Semeval task 2 datasets (10,709 user comments) and Metacritic (5,888 user reviews about movies); regarding ABP, the training dataset has been Semeval 2014 - Task 4 - Subtask 1 – Restaurants. The performance achieved by GP ranges between 62% to 88% precision. The changes in performance depends on the quality of the style of the text.