Introdução à Análise de Sentimentos - ufrgs.br · Opiniões são influenciadoras de nossos...

INTRODUÇÃO À ANÁLISE DE

SENTIMENTOS

Thiago A. S. Pardo

Núcleo Interinstitucional de Linguística Computacional (NILC)

Departamento de Ciências de Computação

Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo

EBRALC 2017

CONCEITOS BÁSICOS

DEFINIÇÃO

Área de estudo que analisa as opiniões, sentimentos, avaliações, apreciações, atitudes e emoções das pessoas em relação a entidades como produtos, serviços, organizações, indivíduos, questões, eventos, tópicos e todos os seus atributos relacionados (Liu, 2012)

Muitos nomes relacionados, utilizados de forma intercambiável, em geral, mas com algumas nuances diferentes

Análise de sentimentos, mineração de opiniões, extração de opiniões, mineração de sentimentos, análise de subjetividade, etc.

3

ORIGEM DOS TERMOS

Primeiros trabalhos que mencionaram os termos

sentiment analysis e opinion mining

Nasukawa, T. and Yi, J. (2003). Sentiment analysis:

capturing favorability using natural language processing.

In the Proceedings of the 2nd International Conference

on Knowledge Capture, pp. 70-77.

Dave, K.; Lawrence, S.; Pennock, D.M. (2003). Mining

the peanut gallery: opinion extraction and semantic

classification of product reviews. In the Proceedings of

the 12th International Conference on World Wide Web,

pp. 519-528. 4

PRIMÓRDIOS DA ÁREA

Alguns trabalhos antes de 2000, com interpretação de metáforas, subjetividade, adjetivos e pontos de vista

Florescimento a partir de 2000

Várias aplicações, em vários domínios

Disponibilidade de muitos dados com opiniões na mídia social, principalmente na web

Blogs, microblogs, fóruns de discussão, comentários, revisões, etc.

Web 2.0

Interesses de outras áreas: ciência política, economia, ciências sociais, psicologia, etc.

E também de diferentes campos dentro da Computação: PLN, mineração de dados/textos/web, recuperação de informação 5

RAZÕES PARA INTERESSE

Opiniões são influenciadoras de nossos comportamentos

Sempre se quer saber a opinião dos outros

Do lado das empresas Aceitação de produtos e serviços

Desempenho do concorrente

Retroalimentação da linha de fabricação

Do lado dos consumidores Qualidade de produtos e serviços

Análise de custo-benefício

Do ponto de vista acadêmico Desafios: volume de dados, língua real, aplicações em

potencial, interesse genuíno por parte dos usuários, etc.6

RAZÕES PARA INTERESSE

Até recentemente

Indivíduos consultavam amigos e familiares

Empresas conduziam/contratavam pesquisas de

opinião, enquetes com usuários, etc.

Então a web e a tecnologia da linguagem

apareceram e evoluíram

7

EXEMPLOS:

PRIMAVERA

ÁRABE

8

http://exame.abril.com.br/tecnologia/noticias/na-primavera-arabe-internet-e-faca-de-dois-gumes

EXEMPLOS:

POLÍTICA

9

http://brasil.elpais.com/brasil/2014/08/08/politica/1407528446_064153.html

EXEMPLOS:

ELEIÇÕES

140 characters to victory? Using Twitter to predict

the UK 2015 General Election (Burnap et al., 2015)

10

DESAFIOS

Web

Muita informação (relevante e irrelevante)

Fontes e formatos diversos

Dados não estruturados

Variável temporal

Dados que não seguem a norma culta da escrita

Gírias, abreviaturas, oralidade, marcas textuais típicas da

web, etc.

Fatos vs. boatos

Malícia, manipulação

Etc.11

EXEMPLOS DE REVISÕES DE PRODUTOWWW.BUSCAPE.COM.BR

12

NÍVEIS DE ANÁLISE

Documentos

Um documento/texto expressa uma opinião positiva ou negativa sobre determinado tópico?

Em geral, considera-se que há somente um tópico (mas pode não ser o caso)

Sentenças

Uma sentença é positiva, negativa ou neutra em relação a algo?

Aspectos

Nível mais sofisticado e, portanto, desafiador

Aspectos positivos e negativos de uma entidade alvo

Apesar da qualidade de chamada do iphone ser boa, a vida útil de sua bateria é curta.

13

POLARIDADE DAS OPINIÕES

Polaridade, orientação semântica

Positiva

Negativa

Neutra

A definição pode variar: “sem polaridade” ou “com mais de

uma polaridade”?

E, em alguns casos, ambígua, polivalente

Eu gosto da escola, mas o professor é chato! 14

TIPOS DE OPINIÕES

Regulares

Diretas

A Coca-Cola tem um gosto bom.

Indiretas

Depois de tomar o remédio, a dor passou.

Comparativas

Múltiplas entidades

A Coca é melhor do que a Pepsi.

15

TIPOS DE SENTENÇAS

Nem sempre o sentimento é explícito!

Sentenças subjetivas (caso mais comum)

Essa refrigerante é ruim!

Eu amo esse smartphone.

Sentenças objetivas

A câmera quebrou em 2 dias.

A gasolina durou 10 dias.

Essa máquina usa muita água.

O colchão formou um vale.

O som desse smartphone é cristalino.16

PONTO DE VISTA

Depende de quem fala/ouve

As ações do Google dispararam hoje!

Se for um acionista do Google, sentimento positivo

Se vendeu suas ações ontem, sentimento negativo

17

MOMENTO EM QUE É DITO

Variável temporal

A tela desse celular é grande

Se hoje, sentimento positivo

Se 20 anos atrás, sentimento negativo

18

OPINIÃO = QUÍNTUPLA

(entidade, aspecto/atributo, sentimento, emissor, tempo)

Liu (2012)

Id: Abc123 on 5-1-2008 “I bought an iPhone a few days ago. It is such a nice phone. The touch screen is really cool. The voice quality is clear too. It is much better than my old Blackberry, which was a terrible phone and so difficult to type with its tiny keys. However, my mother was mad with me as I did not tell her before I bought the phone. She also thought the phone was too expensive, …”

Quíntuplas

(iPhone, GENERAL, +, Abc123, 5-1-2008)

(iPhone, touch_screen, +, Abc123, 5-1-2008)

Etc.19


(entidade, aspecto/atributo, sentimento, emissor,

tempo)

Uma tarefa de Extração de Informação

Análise Semântica, principalmente

Reconhecimento de Entidades Nomeadas

Resolução de Correferências

Identificação e Normalização Temporal

Etc.

20


Nem sempre trivial

Como seriam os casos abaixo?

O banco do carro está feio.

Essa câmera é cara.

Eu posso instalar esse software facilmente.

21


Nem sempre trivial

Como seriam os casos abaixo?

O banco do carro está feio.

Aspecto = “banco” ou “aparência do banco”?

Essa câmera é cara.

Aspecto = “câmera” ou “preço”? (há aspectos implícitos!)

Eu posso instalar esse software facilmente.

Aspecto = “instalação”? (nem sempre há o substantivo!)22

EXEMPLOS DE SISTEMAS

Sensebot (www.opinioncrawl.com)

23


BuscaOpiniões (Balage Filho e Pardo, 2014)

24


Opinion Observer (Liu et al., 2005)

25


Sumários estruturados (Hu e Liu, 2004; López Condori, 2015)

26


Sumários (parcialmente) abstrativos (López Condori e Pardo,

2017)

27

EXERCÍCIO

Considerando o texto de crítica ao livro

“Crepúsculo” de Stephenie Meyer, faça:

Indique a polaridade do texto como um todo

28

EXERCÍCIO



Marque a polaridade (+ ou -) ao lado de cada sentença

29

EXERCÍCIO



Grife aspectos e ligue-os a suas avaliações

30

EXERCÍCIO – GABARITOFREITAS ET AL. (2012)

31

EXERCÍCIO – GABARITOFREITAS ET AL. (2012)

32

RECURSOS PARA O PORTUGUÊS

LÉXICOS DE SENTIMENTOS

Termos que expressam sentimentos, opinião

Podem ser fortes indícios de sentimentos positivos e

negativos

Palavras “boas”: maravilhoso, ótimo, incrível

Palavras “más”: terrível, pobre, engolir

Expressões: “me custou os olhos da cara”, “da

hora”

34

LÉXICOS PARA O PORTUGUÊS

WordnetAffectBR (Pasqualotti e Vieira, 2008)

OpinionLexicon (Souza et al., 2011)

30.678 entradas

SentiLex (Silva et al., 2012)

82.347 entradas

LIWC - Linguistic Inquiry and Word Count (Balage Filho et al., 2013)

127.149 entradas, distribuídas em diversas classes semânticas

Onto.PT (Oliveira et al., 2014)

10.318 synsets “polarizados”

Etc. 35

EXEMPLO DO LIWC

Identificadores de classes semânticas

124: humans

125: affect

127: negemo

129: anger

36


Necessários, mas não suficientes para análise de

sentimentos

Dificuldades

Negações

Palavras “dúbias”: ímpar, curioso, único, mirabolante

Variação conforme o domínio: tela grande vs. bateria

grande

Sarcasmo: “Que aparelho ótimo! Parou de funcionar no

2o dia.”

37


Necessários, mas não suficientes para análise de sentimentos

Dificuldades

A presença de termos de sentimentos não implica na presença de sentimentos (como em perguntas e condicionais) Qual câmera é boa?

Vs. “Alguém sabe como arrumar essa porcaria de câmera?”

Se eu encontrar uma boa câmera, vou comprá-la.

Vs. “Se estiver procurando por um bom carro, compre um Toyota”

Presença de sentimentos sem termos de sentimentos Essa máquina usa muita água.

Depois de dormir no colchão por dois dias, ele afundou no meio.38

CÓRPUS PARA O PORTUGUÊS

Notícias, posts em blogs, tweets, etc.

Marcados com polaridade (positiva, negativa e, às

vezes, neutra)

Mas há também “outras espécies”

Com anotação manual e pré-definida (número de

estrelas, por exemplo)

Mas não é 100% confiável

39


Revisões de serviços de lojas online (Siqueira e Barros, 2010)

2.200 opiniões

SentiCorpus-PT – opiniões sobre debates políticos (Carvalho et al., 2011)

2.795 opiniões, com aproximadamente 8.000 sentenças

ReLi – Resenhas de Livros (Freitas et al., 2012)

1.600 resenhas, de 14 livros diferentes, totalizando 12.470 sentenças e 259.978 palavras

Revisões de veículos (Ribeiro et al., 2012)

112.742 documentos, com 295.378 sentenças

Córpus Buscapé – revisões de produtos eletrônicos (Hartmann et al., 2014)

85.910 revisões, com 4.097.905 palavras

40

EXEMPLO DO RELI

41


7x1-PT – tweets durante o jogo do Brasil e Alemanha na Copa 2014 (Moraes et al., 2015)

2.728 tweets, com 35.024 palavras

Córpus de notícias políticas do Brasil (Arruda et al., 2015)

131 notícias, com 1.447 parágrafos e 65.675 palavras

Emoções em notícias (Dosciatti et al., 2015)

2.000 documentos

OpiSums-PT – sumários de opinião (López Condori et al., 2017)

170 sumários (extrativos e abstrativos) para opiniões sobre 13 livros e 4 produtos eletrônicos

Computer-Br – tweets relacionados a computadores (Moraes, 2016)

2.317 tweets, com 34.437 palavras

Etc. 42

EXEMPLO: OPISUMS-PT

Sumário abstrativo construído manualmente

43

ANÁLISE DE ERROS (DURAN ET AL., 2014)

Sobre córpus Buscapé (Hartmann et al., 2014)

Palavras que não constam no léxico da língua

portuguesa

44

Razões Ocorrência

Erros ortográficos comuns 44%

Nomes próprios 24%

Estrangeirismos 8%

Acrônimos 5%

Internetês 4%

Abreviações 2%

Outros 13%

ANÁLISE DE ERROS (DURAN ET AL., 2014)

Sobre córpus Buscapé (Hartmann et al., 2014)

Correções simples e impacto no desempenho de um

tagger

45

Correção Impacto

Letras maiúsculas e minúsculas + 15,9%

Pontuação + 4,3%

Ortografia + 2,9%

Internetês + 1,4%

FERRAMENTAS DO NILC

NORMALIZADOR TEXTUAL

UGCNormal (Duran et al., 2015)

Melhores resultados: 89% de correções apropriadas

Impacto no desempenho de um tagger: de 91,3 para

93,1%

47

CLASSIFICADOR DE POLARIDADE

Avanço e Nunes (2014)

Com base no método abrangente de Taboada et al. (2011)

48

CLASSIFICADOR DE POLARIDADE

Avanço e Nunes (2014)

Com base no método abrangente de Taboada et al. (2011)

49

Medida-f de

73% sobre

Córpus Buscapé

CLASSIFICADOR DE POLARIDADE:

MAIS UM PASSO

Comparação entre aprendizado de máquina e

métodos baseados em léxico (Avanço et al., 2016)

Método baseado em léxico com incorporação de

modelo vetorial para palavras desconhecidas

Melhores resultados: 84,2% de medida-f

AM e atributos investigados: bag of words, palavras

positivas e negativas, resultados prévios de outros

classificadores, etc.

Melhores resultados: 95,6% de medida-f, com SVM

50

Córpus de produtos eletrônicos

CLASSIFICADOR DE POLARIDADE:

MAIS UM PASSO

Comparação entre aprendizado de máquina e

métodos baseados em léxico (Avanço et al., 2016)

Método baseado em léxico com incorporação de

modelo vetorial para palavras desconhecidas

Melhores resultados: 46,9% de medida-f

AM e atributos investigados: bag of words, palavras

positivas e negativas, resultados prévios de outros

classificadores, etc.

Melhores resultados: 60,9% de medida-f, com SVM

51Córpus de livros

O domínio faz muita diferença!

IDENTIFICAÇÃO E AGRUPAMENTO DE ASPECTOS

Subsídio para a extração mais confiável de

aspectos (Vargas e Pardo, 2017)

52

Ontologias de aspectos por domínio

IDENTIFICAÇÃO E AGRUPAMENTO DE ASPECTOS

Subsídio para a extração mais confiável de

aspectos (Vargas e Pardo, 2017)

53

SUMARIZAÇÃO DE OPINIÕES

Sumários extrativos e abstrativos (López Condori e Pardo, 2017)

54

Exemplo de

sumário

extrativo

estruturado



Bons resultados de informatividade e de qualidade

linguística, superando estado da arte

55Rsumm (Ribaldo et al., 2016): sistema tradicional de sumarização, provavelmente

o melhor para o português

Opizer-E e Opizer-A: propostas novas avaliadas



Resultados de “utilidade” no suporte à decisão de uma

compra de produto

56

FRENTES DE TRABALHO

ANÁLISE DE SENTIMENTOS

Polaridade é só o início

Emoções, sentimentos, afeto, avaliação, etc.

Grande grupo de elementos inter-relacionados

Estudados em diferentes frentes

Computação

Linguística

Psicologia

Etc.

58

EMOÇÕES UNIVERSAIS

Ekman (1993) e o estudo das emoções básicas

Associe: raiva, tristeza, nojo/aversão e felicidade

59

EMOÇÕES UNIVERSAIS

Homem de uma comunidade isolada na Nova Guiné, de uma

cultura não letrada

Expressão de (algumas) emoções podem ser “universais”

Até os cegos de nascença expressam de forma similar

60

EVIDÊNCIAS VARIADAS

Estudo com atletas: artistas marciais (de judô) de 35 países diferentes mostraram expressões similares nas Olimpíadas de Atenas

Independência de idade

Recém-nascidos Desde cedo, demonstram “aversão”

Aos dois anos, “raiva” e “tristeza”

Na pré-escola, todas as emoções básicas

Idosos

Independência de religião e organização familiar(patriarcal ou matriarcal) 61

6 EMOÇÕES BÁSICAS

Tradicionalmente, evidências para 6 emoções

“universalmente” distinguidas pelas faces

Raiva, medo, nojo/aversão, tristeza, felicidade e

surpresa

Mas há outras sendo investigadas

“desprezo” entrou para o grupo recentemente

“interesse”, “embaraço” e “orgulho” em avaliação

62

MUITA VARIAÇÃO

Tema polêmico (Cambria et al., 2012)

63

MUITA VARIAÇÃO

Tema polêmico (Cambria et al., 2012)

The distinction between guilt and shame, for

example, is based in the attribution of negativity to

the self or to the act. So, guilt arises when believing

to have done a bad thing, and shame arises when

thinking to be a bad person.

64

RODA DAS EMOÇÕES

Plutchik (2001)

Há diversas propostas

na mesma linha,

de vários autores

diferentes

65

APPRAISAL THEORY (MARTIN E WHITE, 2005)

Avaliatividade e seus tipos

66

DOMÍNIOS DA EMOÇÃO

67

ENGAJAMENTO

Uso de recursos para posicionamento do falante,

por meio de

Relatos ou citações

Expressão de possibilidade

Negação

Afirmação

Contra-argumentação

Enquanto isso (e não estamos inventando isso), duas

pessoas foram detidas no aeroporto depois que um

passageiro americano disse ter ouvido um deles se chamar

de terrorista bósnio. (O homem disse, de fato, que ele era um

“guitarrista bósnio”).

68

ATITUDE

Valoração pela qual o falante evidencia

julgamentos e associa respostas emocionais ou

afetivas a outros falantes ou processos

3 subsistemas

Afeto: caracterização do fenômeno com referência à emoção

Julgamento: questões éticas, avaliação do comportamento

humano a partir de normas sociais

Apreciação: avaliação de objetos e produtos a partir de

princípios estéticos e sistemas de valor social

69

GRADAÇÃO

Polarização da emoção (positiva ou negativa) e

intensidade

Força: trata da intensificação e quantificação dos

appraisals

Eu estou muito muito muito feliz.

Foco: enfatiza ou suaviza uma categoria

Eles jogam futebol de verdade

70

ESTUDO LOCAL

Trabalho de Mestrado da UNISINOS (Cosme, 2014)

A emoção de satisfação de alunos de cursos EAD:

perspectivas de investigação e de análise utilizando a

Appraisal Theory

71

INTRODUÇÃO À ANÁLISE DE SENTIMENTOS

Thiago A. S. Pardo

Núcleo Interinstitucional de Linguística Computacional (NILC)

Departamento de Ciências de Computação

Instituto de Ciências Matemáticas e de Computação

Universidade de São Paulo

www.nilc.icmc.usp.br

72

http://www.nilc.icmc.usp.br/

REFERÊNCIASArruda, G.D.; Roman, N.T.; Monteiro, A.M. (2015). An Annotated Corpus for Sentiment Analysis in Political News. In the Proceedings of the Brazilian Symposium in Information and Human Language Technology (STIL), pp. 101-110.

Avanço, L.V. and Nunes, M.G.V. (2014). Lexicon-based Sentiment Analysis for Reviews of Products in Brazilian Portuguese. In the Proceedings of the Brazilian Conference on Intelligent Systems, pp. 277-281.

Balage Filho, P.P.; Aluísio, S.M.; Pardo, T.A.S. (2013). An Evaluation of the Brazilian Portuguese LIWC Dictionary for Sentiment Analysis. In the Proceedings of the 9th Brazilian Symposium in Information and Human Language Technology (STIL), pp. 215-219.

Balage Filho, P.P. and Pardo, T.A.S. (2014). BuscaOpinioes: Searching for Opinions over the Internet. In the (on-line) Proceedings of the PROPOR Workshop of Software Demonstrations, pp. 1-3.

Burnap, P.; Gibson, R.; Sloan, L.; Southern, R.; Williams, M. (2015). 140 characters to victory? Using Twitter to predict the UK 2015 General Election. Electoral Studies, Vol. 41, pp. 230-233.

Cambria, E.; Livingstone, A.; Hussain, A. (2012). The Hourglass of Emotions. In the Proceedings of the Cognitive Behavioural Systems, pp. 144-157.

Carvalho, P.; Sarmento, L.; Teixeira, J.; Silva, M.J. (2011). Liars and saviors in a sentiment annotated corpus of comments to political debates. In the Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies, pp. 564–568.

Cosme, C.A. (2014). A emoção de satisfação de alunos de cursos EAD: perspectivas de investigação e de análise utilizando a Appraisal Theory. Dissertação de Mestrado. Universidade do Vale do Rio dos Sinos.

Dave, K.; Lawrence, S.; Pennock, D.M. (2003). Mining the peanut gallery: opinion extraction and semantic classification of product reviews. In the Proceedings of the 12th international conference on World Wide Web, pp. 519-528.

Duran, M.S.; Avanço, L.V.; Aluísio, S.M.; Pardo, T.A.S.; Nunes, M.G.V. (2014). Some issues on the normalization of a corpus of products reviews in Portuguese. In the Proceedings of the EACL 9th Web as Corpus Workshop (WaC), pp. 22-28.

73

REFERÊNCIASDuran, M. S.; Avanço, L.V.; Nunes, M.G.V. (2015). A Normalizer for UGC in Brazilian Portuguese. In the Proceedings of the ACL Workshop on Noisy User-generated Text, pp. 38-47.

Ekman, P. (1993). Facial Expression and Emotion. American Psychologist, Vol. 48, N. 4, pp. 384-392.

Freitas, C.; Motta, E.; Milidiú, R.; Cesar, J. (2012). Vampiro que brilha... rá! Desafios na anotação de opinião em um corpus de resenhas de livros. In Anais do XI Encontro de Linguística de Corpus.

Hartmann, N.S.; Avanço, L.V.; Balage Filho, P.P.; Duran, M.S.; Nunes, M.G.V.; Pardo, T.A.S.; Aluísio, S.M. (2014). A Large Corpus of Product Reviews in Portuguese: Tackling Out-Of-Vocabulary Words. In the Proceedings of the 9th Language Resources and Evaluation Conference (LREC), pp. 3865-3871.

Hu, M. and Liu, B. (2004). Mining and summarizing customer reviews. In the Proceedings of the 10th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 168-177.

Liu, B. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers.

Liu, B.; Hu, M.; Cheng, J. (2005). Opinion observer: analyzing and comparing opinions on the Web. In the Proceedings of the 14th international conference on World Wide Web, pp. 342-351.

López Condori, R.E. (2015). Sumarização automática de opiniões baseada em aspectos. Dissertação de Mestrado. Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo. São Carlos-SP, July, 160p.

López Condori, R.E.; Avanço, L.V.; Balage Filho, P.P.; Bokan Garan, A.Y.; Cardoso, P.C.F.; Dias, M.S.; Nóbrega, F.A.A.; Sobrevilla Cabezudo, M.A.; Souza, J.W.C.; Zacarias, A.C.I.; Seno, E.M.R.; Di Felippo, A.; Pardo, T.A.S. (2015). A Qualitative Analysis of a Corpus of Opinion Summaries based on Aspects. In the Proceedings of the 9th Linguistic Annotation Workshop - LAW, pp. 62-71.

López Condori, R.E. and Pardo, T.A.S. (2017). Opinion Summarization Methods: Comparing and Extending Extractive and Abstractive Approaches. Expert Systems with Applications (ESWA), Vol. 78, pp. 124-134.

74

REFERÊNCIASMartin, J.R. and White, P.R.R. (2005). The language of evaluation: appraisal in English. New York: Palgrave Macmillan.

Moraes, S.M.W.; Manssour, I.H.; Silveira, M.S. (2015). 7x1PT: um Corpus extraído do Twitter para Análise de Sentimentos em Língua Portuguesa. In the Proceedings of the Brazilian Symposium in Information and Human Language Technology (STIL), pp. 21-25.

Moraes, S. (2016). Comparing Approaches for Subjectivity Classification: a Study on Portuguese Tweets. In the Proceedings of the International Conference on the Computational Processing of Portuguese (PROPOR), pp. 86-94.

Oliveira, H.G.; Santos, A.P.; Gomes, P. (2014). Assigning Polarity Automatically to the Synsets of

a Wordnet-like Resource. In the Proceedings of the 3rd Symposium on Languages, Applications and Technologies, pp. 169-184.

Pasqualotti, P.R. and Vieira, R. (2008). WordnetAffectBR: uma base lexical de palavras de emoções para a língua portuguesa. Novas Tecnologias na Educação, Vol. 6, N. 2, pp. 1-10.

Plutchik, R. (2001). The Nature of Emotions. American Scientist, Vol. 89, pp. 344-350.

Nasukawa, T. and Yi, J. (2003). Sentiment analysis: capturing favorability using natural language processing. In the Proceedings of the 2nd International Conference on Knowledge Capture, pp. 70-77.

Dosciatti, M.M.; Ferreira, L.P.C.; Paraiso, E.C. (2015). Anotando um Corpus de Notícias para a Análise de Sentimento: um Relato de Experiência. In the Proceedings of the Brazilian Symposium in Information and Human Language Technology (STIL), pp. 121-130.

Ribaldo, R.; Cardoso, P.C.F.; Pardo, T.A.S. (2016). Exploring the subtopic-based relationship map strategy for multi-document summarization. Journal of Theoretical and Applied Computing - RITA, Vol. 23, N. 1, pp. 183-211.

Ribeiro, S.; Junior, Z.; Meira,W.; Pappa, G.L. (2012). Positive or negative? Using blogs to assess vehicles features. In Anais do Encontro Nacional de Inteligência Artificial, pp. 1-12.

75

REFERÊNCIAS

Silva, M.J.; Carvalho, P.; Sarmento, L. (2012). Building a sentiment lexicon for social judgement mining. In

the Proceedings of the 10th international Conference on Computational Processing of the Portuguese

Language (PROPOR), pp. 218-228.

Siqueira, H. and Barros, F. (2010). A feature extraction process for sentiment analysis of opinions on

services. In the Proceedings of the International Workshop on Web and Text Intelligence, pp. 1-10.

Souza, M., Vieira, R., Chishman, R., and Alves, I. M. (2011). Construction of a Portuguese Opinion Lexicon

from multiple resources. In the Proceedings of the 8th Brazilian Symposium in Information and Human

Language Technology (STIL), pp. 59-66.

Taboada, M.; Brooke, J.; Tofiloski, M.; Voll, K.; Stede, M. (2011). Lexicon-based methods for sentiment

analysis. Computational linguistics, Vol. 37, N. 2, pp. 267-307.

Vargas, F.A. and Pardo, T.A.S. (2017). Clustering and hierarchical organization of opinion aspects: a corpus

study. In Anais do XIV Encontro de Linguística de Corpus (ELC). Em publicação.

76

Introdução à Análise de Sentimentos - ufrgs.br · Opiniões são influenciadoras de nossos...

Documents

Transcript of Introdução à Análise de Sentimentos - ufrgs.br · Opiniões são influenciadoras de nossos...