Análisis de sentimiento en textos de Twitter en español: evaluación de clasificadores de texto

Abstract

The sentiment analysis is a new task that combines text mining techniques and Natural Language Processing (NLP). Although there are several works related to the subject, most of them use texts in English. However, the number of web pages, blogs or opinions spilled on the Internet that use any language, not just English, grows exponentially. The growth of the internet coupled with the development of Web 2.0 (Social Web) enables people from around the world to share global information. Millions of messages appear daily on the most popular microblogging sites, news commentary in web diaries, blogs, twitter, etc. The authors of these messages write about their lives, share their opinions on a variety of topics and discuss them. All this information that the users generate in the publications about the products that use or political and religious vision, becomes a resource of great value for the analysis of opinions and sentiments of the public opinion. The study of these issues through continuous monitoring together with the determination of events or causal factors of variations in public opinion are crucial when making a decision. Both at the consumer and supplier level, this information has a great strategic value, which gives them a trend and/or comparative value of the world over time. The main objective of this thesis is to provide a reference of the evaluation that needs to be done, in order to have decision elements for a developer or individual who implements a text classifier system, which is also planned to put into production. One specific aspect that arises, through a classification system, is to determine the polarity of text messages, from the social network Twitter, that is, twitters written in Spanish.

El análisis de sentimientos es una nueva tarea que combina técnicas de minería de texto y Procesamiento del Lenguaje Natural (PLN). Aunque existen ya varios trabajos relacionados con la temática, la mayoría de ellos únicamente usan textos en inglés. Sin embargo, el número de páginas webs, blogs u opiniones vertidas en Internet que usan cualquier idioma, no solo el inglés, crece exponencialmente. El crecimiento de internet junto con el desarrollo de la Web 2.0 (Web Social) posibilita que personas de todo el mundo compartan información global. Millones de mensajes aparecen diariamente en los sitios m as populares de microblogging, comentarios de noticias en diarios web, blogs, twitter, etc. Los autores de estos mensajes escriben acerca de sus vidas, comparten sus opiniones sobre una variedad de temas y discuten sobre estos. Toda esta información que los usuarios generan en las publicaciones acerca de los productos que utilizan o visión política y religiosa, se vuelve un recurso de gran valor para el análisis de opiniones y sentimientos de la opinión pública. El estudio de estos temas mediante un seguimiento continuo junto con la determinación sobre los acontecimientos o hechos causales de variaciones en la opinión pública son cruciales a la hora de tomar una decisión. Tanto a nivel de consumidor como de proveedor esta información tiene un gran valor estratégico, que les brinda una tendencia y/o comparativa a través del tiempo. El objetivo fundamental de esta tesis es proporcionar una referencia de la evaluación que es necesario realizar, con el fin de tener elementos de decisión para un desarrollador o individuo que implemente un sistema clasificador de texto, que además se planea poner en producción. Un aspecto en específico que se plantea, mediante un sistema de clasificación, es determinar la polaridad de mensajes de texto, de la red social Twitter, tweets escritos en español.