• Nenhum resultado encontrado

INTRODUÇÃO À ANÁLISE DE SENTIMENTOS

N/A
N/A
Protected

Academic year: 2021

Share "INTRODUÇÃO À ANÁLISE DE SENTIMENTOS"

Copied!
76
0
0

Texto

(1)

I

NTRODUÇÃO À

A

NÁLISE DE

S

ENTIMENTOS

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

(2)
(3)

D

EFINIÇÃO

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.

(4)

O

RIGEM 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,

(5)

P

RIMÓRDIOS 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

(6)

R

AZÕES 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

(7)

R

AZÕES 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

(8)

E

XEMPLOS

:

PRIMAVERA

ÁRABE

(9)

E

XEMPLOS

:

P

OLÍTICA

(10)

E

XEMPLOS

:

E

LEIÇÕES

140 characters to victory? Using Twitter to predict

(11)

D

ESAFIOS

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

(12)

E

XEMPLOS DE REVISÕES DE PRODUTO

(13)

N

ÍVEIS 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

(14)

P

OLARIDADE 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!

(15)

T

IPOS DE OPINIÕES

Regulares

Diretas

A Coca-Cola tem um gosto bom.

Indiretas

Depois de tomar o remédio, a dor passou.

Comparativas

Múltiplas entidades

(16)

T

IPOS 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.

(17)

P

ONTO DE VISTA

Depende de quem fala/ouve

As ações do Google dispararam hoje!

Se for um acionista do Google,

sentimento positivo

(18)

M

OMENTO EM QUE É DITO

Variável temporal

A tela desse celular é grande

Se hoje,

sentimento positivo

(19)

O

PINIÃO

=

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)

(20)

O

PINIÃO

=

QUÍNTUPLA

(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.

(21)

O

PINIÃO

=

QUÍNTUPLA

Nem sempre trivial

Como seriam os casos abaixo?

O banco do carro está feio.

Essa câmera é cara.

(22)

O

PINIÃO

=

QUÍNTUPLA

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.

(23)

E

XEMPLOS DE SISTEMAS

(24)

E

XEMPLOS DE SISTEMAS

(25)

E

XEMPLOS DE SISTEMAS

(26)

E

XEMPLOS DE SISTEMAS

(27)

E

XEMPLOS DE SISTEMAS

Sumários (parcialmente) abstrativos

(López Condori e Pardo,

2017)

(28)

E

XERCÍCIO

Considerando o texto de crítica ao livro

“Crepúsculo” de Stephenie Meyer, faça:

(29)

E

XERCÍCIO

Considerando o texto de crítica ao livro

“Crepúsculo” de Stephenie Meyer, faça:

(30)

E

XERCÍCIO

Considerando o texto de crítica ao livro

“Crepúsculo” de Stephenie Meyer, faça:

(31)

E

XERCÍCIO

GABARITO

(32)

E

XERCÍCIO

GABARITO

(33)
(34)

L

ÉXICOS 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

(35)

L

ÉXICOS 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”

(36)

E

XEMPLO DO

LIWC

Identificadores de classes semânticas

124: humans

125: affect

127: negemo

(37)

L

ÉXICOS DE SENTIMENTOS

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

(38)

L

ÉXICOS DE SENTIMENTOS

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.

(39)

C

ÓRPUS 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)

(40)

C

ÓRPUS PARA O PORTUGUÊS

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

(41)
(42)

C

ÓRPUS PARA O PORTUGUÊS

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

(43)

E

XEMPLO

: O

PI

S

UMS

-PT

(44)

A

NÁLISE DE ERROS

(D

URAN 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%

(45)

A

NÁLISE DE ERROS

(D

URAN ET AL

., 2014)

Sobre córpus Buscapé

(Hartmann et al., 2014)

Correções simples e impacto no desempenho de um

tagger

Correção

Impacto

Letras maiúsculas e minúsculas

+ 15,9%

Pontuação

+ 4,3%

Ortografia

+ 2,9%

(46)
(47)

N

ORMALIZADOR TEXTUAL

UGCNormal

(Duran et al., 2015)

Melhores resultados: 89% de correções apropriadas

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

93,1%

(48)

C

LASSIFICADOR DE POLARIDADE

Avanço e Nunes (2014)

(49)

C

LASSIFICADOR DE POLARIDADE

Avanço e Nunes (2014)

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

Medida-f de

73%

sobre

(50)

C

LASSIFICADOR 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

(51)

C

LASSIFICADOR 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

51

Córpus de livros

(52)

I

DENTIFICAÇÃO E AGRUPAMENTO DE ASPECTOS

Subsídio para a extração mais confiável de

aspectos

(Vargas e Pardo, 2017)

(53)

I

DENTIFICAÇÃO E AGRUPAMENTO DE ASPECTOS

Subsídio para a extração mais confiável de

(54)

S

UMARIZAÇÃO DE OPINIÕES

Sumários extrativos e abstrativos

(López Condori e Pardo, 2017)

54

Exemplo de

sumário

extrativo

estruturado

(55)

S

UMARIZAÇÃO DE OPINIÕES

Sumários extrativos e abstrativos

(López Condori e Pardo, 2017)

Bons resultados de informatividade e de qualidade

linguística, superando estado da arte

55

Rsumm

(Ribaldo et al., 2016)

: sistema tradicional de sumarização, provavelmente

o melhor para o português

(56)

S

UMARIZAÇÃO DE OPINIÕES

Sumários extrativos e abstrativos

(López Condori e Pardo, 2017)

Resultados de “utilidade” no suporte à decisão de uma

(57)
(58)

A

NÁLISE 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.

(59)

E

MOÇÕES UNIVERSAIS

Ekman (1993) e o estudo das emoções básicas

(60)

E

MOÇÕES UNIVERSAIS

Homem de uma comunidade isolada na Nova Guiné, de uma

cultura não letrada

Expressão de (algumas) emoções podem ser “

universais

(61)

E

VIDÊNCIAS 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

(62)

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

(63)

M

UITA VARIAÇÃO

(64)

M

UITA 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.

(65)

R

ODA DAS EMOÇÕES

Plutchik (2001)

Há diversas propostas

na mesma linha,

de vários autores

diferentes

(66)

A

PPRAISAL

T

HEORY

(M

ARTIN E

W

HITE

, 2005)

(67)

D

OMÍNIOS DA EMOÇÃO

(68)

E

NGAJAMENTO

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”).

(69)

A

TITUDE

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

(70)

G

RADAÇÃO

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

(71)

E

STUDO 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

(72)

I

NTRODUÇÃO À

A

NÁLISE DE

S

ENTIMENTOS

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

(73)

R

EFERÊNCIAS

Arruda, 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.

(74)

R

EFERÊNCIAS

Duran, 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.

(75)

R

EFERÊNCIAS

Martin, 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

(76)

R

EFERÊNCIAS

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.

Referências

Documentos relacionados

Caso o rompimento do relacionamento não seja consensual, deverá aquele cônjuge que deixou o imóvel buscar medida efetiva a fim de assegurar seus direitos sobre o bem, devendo

The device can be operated as a passive device aad a semi-active control actuator, i.e., the dissipative behaviour of the MR damper can be modified in accordance with the

Os termos “Transgredir” e “Problematizar” são aqui postos no sentido de criar novas situações de ensino e de aprendizagem na e para formação de estudantes e

Ousasse apontar algumas hipóteses para a solução desse problema público a partir do exposto dos autores usados como base para fundamentação teórica, da análise dos dados

A análise incidiu sobre a importância das metodologias de ensino na aprendizagem bem como, na análise do grau de cumprimento dos objetivos da unidade

Tomando como base as técnicas apresentadas no capítulo 4 e a estrutura e princípios da CNSEC delineados no capítulo 5, culmina-se no Arquivo da Central Notarial de Serviços

3.10- Amplificação do fragmento de 278 bp por meio de PCR com o par de primers SSFWD/SSREV e alíquotas retiradas do líquido de embebição de sementes de soja de área comercial C