APLICAÇÃO DE UM SISTEMA FUZZY PARA CLASSIFICAÇÃO DE OPINIÃO EM DIFERENTES DOMÍNIOS

(1)

Programa de P´

os-Gradua¸c˜

ao em Ciˆ

encia da Computa¸c˜

ao

Mestrado em Ciˆ

encia da Computa¸c˜

ao

APLICAC

¸ ˜

AO DE UM SISTEMA FUZZY

PARA CLASSIFICAC

¸ ˜

AO DE OPINI ˜

AO EM

DIFERENTES DOM´INIOS

Matheus Cardoso de Andrade Silva

DISSERTAC

¸ ˜

AO DE MESTRADO

Feira de Santana

19/05/2015

(2)

Universidade Estadual de Feira de Santana

Programa de P´

os-Gradua¸c˜

ao em Ciˆ

encia da Computa¸c˜

ao

Matheus Cardoso de Andrade Silva

APLICAC

¸ ˜

AO DE UM SISTEMA FUZZY PARA CLASSIFICAC

¸ ˜

AO

DE OPINI ˜

AO EM DIFERENTES DOM´INIOS

Trabalho apresentado ao Mestrado em Ciência da Com-puta¸cão da Universidade Estadual de Feira de Santana como requisito parcial para obten¸cão do grau de Mestre em Ciência da Computa¸cão.

Orientador: Angelo Loula

Co-orientador: Matheus Giovanni Pires

Feira de Santana

19/05/2015

(3)

Ficha Catalogr´afica - Biblioteca Central Julieta Carteado

S581a

Silva, Matheus Cardoso de Andrade

Aplica¸cão de um sistema fuzzy para classifica¸cão de opinião em dife-rentes dom´ınios/ Matheus Cardoso de Andrade Silva– Feira de Santana, 19/05/2015.

60 f. : il.

Orientador: Angelo Loula.

Co-orientador: Matheus Giovanni Pires.

Disserta¸cão (mestrado)– Universidade Estadual de Feira de Santana, Pro-grama de Pós-Gradua¸cão em Ciência da Computa¸cão, 19/05/2015.

1. Minera¸cão de dados (computa¸cão). 2. Classifica¸cão de opinião - Sis-tema Fuzzy.

I. Loula, Angelo, orient. II. Pires, Matheus Giovanni, coorient.

III. Universidade Estadual de Feira de Santana. Programa de P´ os-Gradua¸cão em Ciência da Computa¸cão. IV. T´ıtulo.

(4)

iii

TERMO DE APROVAC

¸ ˜

AO

MATHEUS CARDOSO DE ANDRADE SILVA

APLICAC

¸ ˜

AO DE UM SISTEMA FUZZY PARA

CLASSIFICAC

¸ ˜

AO DE OPINI ˜

AO EM

DIFERENTES DOM´INIOS

Esta disserta¸cão foi julgada adequada à ob-ten¸cão do t´ıtulo de Mestre em Ciência da Computa¸cão e aprovada em sua forma final pelo Mestrado em Ciência da Computa¸cão da UFBA-UEFS.

Feira de Santana, 19 de Outubro de 2015

Prof. Dr. Angelo Conrado Loula Universidade Estadual de Feira de Santana

Profa. Dra. Heloisa de Arruda Camargo Universidade Federal de S˜ao Carlos

Prof. Dr. Jo˜ao B. Rocha Junior Universidade Estadual de Feira de Santana

(5)

`

Aqueles que foram sine qua non a realiza¸c˜ao desde trabalho.

Meus genu´ınos agradecimentos a meus orientadores, Angelo Loula e Matheus Pires, pela paciência, diligência e competência prestadas a mim. Decididamente, sem a ori-enta¸cão de vocês, este trabalho não teria sido realizado. Muito obrigado, meus caros.

`

A meu tio, Marcelo Cordeiro, que me acolheu sem nenhuma obriga¸cão ou necessidade e me deu suporte para recome¸car a vida e terminar o mestrado. Certamente eu não estaria aqui hoje sem a ajuda que você me deu. Valeu, titio!

`

A m˜ae do meu filho, Luana Lira, que neste ´ultimo ano, mesmo sem saber, ajudou-me, ao mesmo tempo, a cuidar do meu Ben e do meu mestrado. Obrigado, Luana.

E à todos os demais que potencialmente jamais lerão essa breve nota e que se sentirem, de maneira surpreendente, ressentidos por não os terem mencionado, minhas desculpas, mas minha memória se foi. Mas as lembran¸cas sempre ficarão.

(6)

RESUMO

Opiniões são centrais em quase todas as atividades humanas, porque exercem relevante influência sobre o comportamento das pessoas. A internet e a web criaram mecanismos que tornaram poss´ıvel que as pessoas pudessem compartilhar suas opiniões e para que eias, e também organiza¸cões, pudessem encontrar facilmente mais informa¸cões sobre as opiniões e experiências de outros indiv´ıduos para ajudar em tomadas de decisão. Ainda assim, opiniões envolvem sentimentos que são descri¸cões textuais vagas e imprecisas. De-vido à natureza destes dados, a Lógica Fuzzy pode ser uma abordagem promissora para lidar com esses tipos de informa¸cões. Assim, este trabalho propõe a desenvolver e avaliar uma metodologia de classifica¸cão do sentimento de geral de opiniões em documentos, aplicando um sistema fuzzy automatizado de minera¸cão de opinião associado à extra¸cão e sele¸cão de caracter´ısticas destes documentos. Diversas caracter´ısticas foram extra´ıdas dos documentos e algoritmos de sele¸cão de caracter´ısticas foram aplicados para selecionar as mais aptas para representar e classificar os documentos. Com base nas caracter´ısticas selecionadas, o método de Wang-Mendel (WM) foi utilizado para gerar as regras fuzzy e variados métodos de racioc´ınio fuzzy para aplicar as regras e classificar documentos. Os resultados obtidos foram promissores, alcan¸cado mais de 70% de acurácia numa va-lida¸cão cruzada de 10 folds, comparáveis a de outros trabalhos que utilizam técnicas não fuzzy. Por outro lado, o classificador gerado nessa pesquisa classifica documentos uti-lizando regras leg´ıveis para seres humanos. Ainda, os resultados mostraram que duas caracter´ısticas definidas nesse trabalho se destacaram na classifica¸cão dos documentos, evidenciando que uma quantidade limitada de caracter´ısticas são suficientes para efetuar a classifica¸cão de opiniões.

Palavras-chave: minera¸cão de dados; classifica¸cão de opinião; lógica fuzzy; sistemas baseados em regras fuzzy; extra¸cão de caracter´ısticas; sele¸cão de caracter´ısticas

(7)

Opinions are central in almost all human activities, because they are a relevant influence on people’s behavior. The internet and the web have created mechanisms that made possible for people to share their opinions and for other people and organizations to find out more about opinions and experiences from individuals and help in decision making. Still, opinions involve sentiments that are vague and inaccurate textual descriptions. Hence, due to data’s nature, Fuzzy Logic can be a promising approach. This paper proposes a fuzzy system to perform opinion classification across different domains. Many features has been extracted from documents and algorithms of feature selection was applied to select the most fitted ones to represent and classify documents. Over the selected features, the Wang-Mendel (WM) method and several fuzzy inference methods were used to generate fuzzy rules and classify documents. The results were promising, reached up to 72.4 % accuracy in 10-fold cross-validation, comparable to other papers that don’t use fuzzy techniques. The classifier generated by the rules of this research classifies documents using rules readable for humans. Further, the results showed that two features that were defined in this work were highlighted in the documents classification, showing that a limited amount of characteristics are sufficient to perform opinions classification. Keywords: data mining; opinion classification; fuzzy logic; fuzzy rule-based systems; feature extraction; feature selection

(8)

SUM ´

ARIO

Cap´ıtulo 1—Introdu¸c˜ao 1

Cap´ıtulo 2—Fundamenta¸cão Teórica e revisão da literatura 4

2.1 Minera¸c˜ao de Opin˜ao . . . 4

2.2 N´ıveis de minera¸c˜ao de opini˜ao . . . 4

2.3 Etapas na minera¸c˜ao de opini˜ao . . . 5

Defini¸c˜ao do dom´ınio . . . 6

Pr´e-processamento . . . 6

Transforma¸c˜ao . . . 7

Extra¸c˜ao e sele¸c˜ao de caracter´ısticas . . . 8

Classifica¸c˜ao . . . 9

An´alise dos resultados . . . 10

2.4 Sistemas Fuzzy . . . 10

2.5 Trabalhos relacionados . . . 14

Cap´ıtulo 3—Metodologia 17 3.1 Defini¸c˜ao do dom´ınio e o pr´e-processamento dos dados . . . 18

3.2 Transforma¸c˜ao . . . 21

3.2.1 SentiWordNet 3.0 . . . 21

3.2.2 Defini¸c˜ao da polaridade . . . 23

3.3 Extra¸c˜ao e sele¸c˜ao de caracter´ısticas . . . 26

3.3.1 Extra¸c˜ao de caracter´ısticas . . . 27

3.3.2 A sele¸c˜ao de caracter´ısticas . . . 30

3.4 Constru¸c˜ao do Sistema Baseado em Regras Fuzzy . . . 30

3.4.1 Modelagem Fuzzy das Vari´aveis do Sistema Fuzzy . . . 30

3.4.2 O m´etodo de Wang-Mendel . . . 32

3.4.3 Racioc´ınio Fuzzy . . . 33

3.5 M´etodo e Medidas de Avalia¸c˜ao . . . 34

Cap´ıtulo 4—Resultados obtidos 36 4.1 Avalia¸c˜ao dos cen´arios com 3 conjuntos fuzzy . . . 39

4.1.1 Avalia¸c˜ao dos algoritmos de sele¸c˜ao de caracter´ısticas . . . 39

4.1.2 Avalia¸c˜ao dos sistemas de inferˆencia fuzzy . . . 42

4.2 Avalia¸c˜ao dos cen´arios com 2 conjuntos fuzzy . . . 45 vii

(9)

4.2.1 Avalia¸c˜ao dos algoritmos de sele¸c˜ao de caracter´ısticas . . . 45

4.2.2 Avalia¸c˜ao dos sistemas de inferˆencia fuzzy . . . 48

4.3 Avalia¸c˜ao do uso de regras entre dom´ınios . . . 48

4.4 Compara¸c˜ao com classificador SVM e outros trabalhos . . . 49

4.5 Considera¸c˜oes finais . . . 51

(10)

LISTA DE FIGURAS

2.1 Modelo de sistema fuzzy (Herrera, 2008). . . 12

2.2 M´etodo de Racioc´ınio Fuzzy Cl´assico (MRFC) . . . 13

2.3 M´etodo de Racioc´ınio Fuzzy Geral (MRFG) . . . 14

3.1 Etapas do processo de minera¸c˜ao de opini˜ao. . . 18

3.2 Exemplo dos synsets do unigram happy no SWN . . . 22

3.3 Regra dos 3 sigmas. . . 31

3.4 Modelagem com 3 conjuntos fuzzy . . . 31

3.5 Modelagem com 2 conjuntos fuzzy . . . 32

4.1 Distribui¸c˜ao dos valores da caracter´ıstica “A diferen¸ca entre as somas posi-tiva e negaposi-tiva de adjetivos e bigrams compostos estritamente por adv´erbio e adjetivo” na base de filmes . . . 40

4.2 Distribui¸c˜ao dos valores da caracter´ıstica “A diferen¸ca entre as somas po-sitiva e negativa de unigrams e bigrams” na base de filmes . . . 41

4.3 Distribui¸c˜ao dos valores da caracter´ıstica “A diferen¸ca entre as somas posi-tiva e negaposi-tiva de adjetivos e bigrams compostos estritamente por adv´erbio e adjetivo” na base da Amazon . . . 41

4.4 Distribui¸c˜ao dos valores da caracter´ıstica “A diferen¸ca entre as somas po-sitiva e negativa de unigrams e bigrams” na base da Amazon . . . 42

(11)

3.1 Lista inicial de adv´erbios retirada de Taboada et al. (2011) . . . 25 4.1 Resultados da base de filmes, utilizando 3 conjuntos fuzzy nas vari´aveis de

entrada . . . 37 4.2 Quantidade m´edia de caracter´ısticas selecionadas e regras geradas para 3

conjuntos fuzzy na base de filmes entre folds. . . 37 4.3 Resultados da base da Amazon, utilizando 3 conjuntos fuzzy nas vari´aveis

de entrada . . . 38 4.4 Quantidade m´edia de caracter´ısticas selecionadas e regras geradas para 3

conjuntos fuzzy na base da Amazon entre folds. . . 38 4.5 Grande varia¸c˜ao dos valores de TPR e TNR - base de filmes, com c4.5,

MRFC sem pesos e 3 conjuntos fuzzy . . . 40 4.6 Resultados com c4.5 com altura 1, MRFG sem pesos e 3 conjuntos fuzzy

na base de filmes . . . 44 4.7 Resultados com c4.5 com altura 1 e MRFG com pesos na base de filmes . 45 4.8 Resultados da base de filmes, utilizando 2 conjuntos fuzzy nas vari´aveis de

entrada . . . 46 4.9 Quantidade m´edia de caracter´ısticas selecionadas e regras geradas para 2

conjuntos fuzzy na base de filmes entre folds. . . 46 4.10 Resultados da base da Amazon, utilizando 2 conjuntos fuzzy nas vari´aveis

de entrada . . . 47 4.11 Quantidade m´edia de caracter´ısticas selecionadas e regras geradas para 2

conjuntos fuzzy na base da Amazon entre folds. . . 47 4.12 Resultados da aplica¸c˜ao de regras da base de filmes e Amazon na base

Epinions . . . 49 4.13 Compara¸c˜ao entre os resultados do m´etodo de Wang-Mendel e SVM na

base de filmes . . . 49 4.14 Compara¸c˜ao entre os resultados do m´etodo de Wang-Mendel e SVM na

base da Amazon . . . 50

(12)

Cap´ıtulo

1

INTRODUC

¸ ˜

AO

As opiniões são as principais influenciadoras do comportamento humano e permeiam quase todas as atividades executadas no dia-a-dia pelas pessoas (Liu, 2012). É comum as pessoas pedirem opiniões a familiares ou amigos, por exemplo, sobre qual marca de carro escolher numa compra, se determinado filme é bom para ser assistido, explicar suas inten¸cões de voto nas próximas elei¸cões, ou sobre hotéis em que querem se hospedar. E saber a opinião dos outros não é válido somente para indiv´ıduos, mas também para empresas (Liu, 2012;Pang; Lee, 2008). Quando uma organiza¸cão precisa saber da opinião pública ou de seus consumidores, ela conduz, por exemplo, pesquisas de opinião sobre o seu público alvo (Liu, 2012).

O surgimento da internet e o advento da web criaram um novo espa¸co para que pessoas e organiza¸cões pudessem descobrir mais sobre as opiniões e experiências de outras pessoas, sejam elas do próprio c´ırculo social, cr´ıticos de renome ou indiv´ıduos completamente desconhecidos. Além disso, surgiram diferentes fontes de informa¸cões pela internet, como avalia¸cões de produtos e servi¸cos, fóruns, blogs, micro-blogs, Twitter 1_{, coment´}_{arios e}

postagens em sites sociais. Segundo Kim, Anderson e Joseph (2006), na época de seu trabalho, 75.000 novos blogs são criados diariamente, enquanto 1,2 milhões de postagens são colocadas na rede por dia. A web criou mecanismos para que as pessoas pudessem disponibilizar suas opiniões para outras através da internet, e essas fontes de opiniões estão sendo cada vez mais utilizadas por pessoas e empresas para tomar decisões (Liu, 2012;Pang; Lee, 2008). Agora, indiv´ıduos não estão mais limitados a perguntarem opiniões para familiares ou amigos, e empresas apenas conduzirem pesquisas de opinião, pois há bastante informa¸cão dispon´ıvel na web (Liu, 2012). De acordo com as pesquisas realizadas nos Estados Unidos pela comScore and The Kelsey Group 2 _{e por Horrigan (2008):}

• 81% dos usu´arios de internet (ou 60% dos estadunidenses) fizeram pesquisas sobre algum produto, ao menos uma vez;

1

www.twitter.com

2_{Online consumer-generated reviews have significant impact on offline purchase behavior, Press}

Re-lease, http://www. comscore.com/press/release.asp?press=1928, November 2007.

(13)

• Entre 73% e 87% dos entrevistados disseram que opini˜oes encontradas na internet influenciaram significativamente em suas compras;

• 32% disponibilizaram suas opiniões sobre algum produto ou servi¸co que adquiri-ram através da internet e 30% também disponibilizaram suas opiniões, todavia, a despeito de quaisquer aquisi¸cões.

Estes dados demonstram a grande procura por opiniões na internet e o quanto elas influenciam as decisões das pessoas, neste caso, para a compra de produtos e servi¸cos. Contudo, a importância de opiniões na internet não se resume somente a comercializa¸cão de produtos e servi¸cos. O estudo realizado por Rainie e Horrigan (2007), por exemplo, revela grande procura por opiniões na rede sobre candidatos em elei¸cões. Este estudo foi realizado com uma amostra de 60 milhões de estadunidenses nas elei¸cões presidenci-ais de 2006 e mostrou, dentre outros resultados, que 28% deles acessaram a web para buscar opiniões dentro da sua comunidade sobre os candidatos, outros 34% para buscar opiniões de fora de suas comunidades e 8% disponibilizaram suas opiniões pol´ıticas sobre os candidatos.

Minerar opiniões na web, contudo, não é uma tarefa simples. A quantidade e a di-versidade de fontes é muito grande (Kim; Anderson; Joseph, 2006) e cada uma delas possui muitas informa¸cões opinativas, com formatos diferentes e problemas de sintaxe (e.g. erros de grafia, concordância verbal, nominal). Com isso, o leitor comum da internet tem difi-culdades de extrair e resumir as opiniões existentes nessas fontes. O trabalho realizado por Horrigan (2008) corrobora essas dificuldades, relatando que 58% das pessoas que acessaram a web para procurar opiniões acharam que as informa¸cões estavam perdidas, algumas imposs´ıveis de serem encontradas, confusas e/ou numerosas. Além desses proble-mas, o interesse dos usuários por opiniões existentes na internet por produtos e servi¸cos e a potencial influência dessas informa¸cões sobre esses usuários, vem despertando mais aten¸cão e recursos financeiros das empresas que comercializam produtos e servi¸cos na web (Horrigan, 2008).

Além desses problemas, a tarefa de minerar opiniões se torna mais dif´ıcil quando as opiniões são acompanhadas de sentimentos que são, por sua vez, subjetivos e imprecisos. No mundo real, as pessoas utilizam palavras como ”ótimo”, ”bom”, ”ruim”, ”péssimo”, ”muito bom”, ”pouco ruim”, para exprimir opiniões e sentimentos sobre algum assunto ou objeto. Tais sentimentos podem ser classificados em positivos e negativos (Liu, 2012; Pang; Lee, 2008; Pang; Lee; Vaithyanathan, 2002; Turney, 2002; Hu; Liu, 2004), mas entre si (e.g. ”bom”e ”ótimo”) não são nitidamente definidos, ou seja, quanto um é mais positivo que o outro. O mesmo pode ser dito para opiniões com sentimentos negativos, como ”péssimo”e ”ruim”. Outro aspecto importante na minera¸cão de opiniões é a dificuldade em definir o sentimento geral de uma senten¸ca ou de um documento, quando opiniões de graus diferentes se combinam. Por exemplo: ”É um ótimo celular e tem um acabamento muito bom, mas a bateria é péssima ”; ”O livro é excelente, mas o filme é um pouco ruim”. Nestes exemplos, há opiniões positivas e negativas na mesma senten¸ca, além de modificadores (e.g. advérbios) associados aos adjetivos.

Para identificar sentimentos em frases e documentos frequentemente é necessário lidar com termos imprecisos e vagos, como mostrado acima. Uma metodologia da Inteligência

(14)

INTRODUC¸ ˜AO 3

Computacional proposta para tratar computacionalmente dados imprecisos e vagos é a Lógica Fuzzy (Zadeh, 1988). Enquanto a lógica clássica não consegue prover uma forma de representar o significado de proposi¸cões expressas em linguagem natural, quando o significado é impreciso, como os termos ”usualmente”, ”pouco tempo”, ”mais alto”, a Lógica Fuzzy pode tratar tais expressões. Enquanto na lógica clássica, um elemento pode ser classificado somente como relacionado ou não relacionado a uma categoria, na Lógica Fuzzy, um elemento pode ser classificado como parte de um ou mais conjuntos ao mesmo tempo, com diferentes graus de pertinência (Zadeh, 1988).

Por outro lado, poucos trabalhos foram encontrados utilizando conceitos da lógica fuzzy em minera¸cão de opinião e, dos encontrados, quase nenhum apresentou resultados ou alguma discussão do trabalho desenvolvido. E, até o presente momento da escrita, nenhum trabalho foi encontrado utilizando um método automatizado para gera¸cão das regras fuzzy, baseando-se em extra¸cão de caracter´ısticas dos documentos.

Essa pesquisa tem como objetivo principal desenvolver e avaliar uma metodolo-gia de classifica¸cão do sentimento geral das opiniões em documentos, aplicando um sistema fuzzy automatizado de minera¸cão de opinião associado à extra¸cão e sele¸cão de caracter´ısticas destes documentos. Além disso, essa pesquisa também tem por objetivos espec´ıficos: selecionar dom´ınios para avalia¸cão da proposta; levantar e definir caracter´ısticas a serem extra´ıdas; definir e avaliar métodos de sele¸cão de carac-ter´ısticas; definir metodologia para constru¸cão do sistema fuzzy e definir os métodos de racioc´ınio fuzzy para realizar a classifica¸cão dos documentos.

O Cap´ıtulo 2 apresenta a fundamenta¸cão teórica dessa pesquisa e os trabalhos rela-cionados envolvidos na minera¸cão de opinião e Lógica Fuzzy. O Cap´ıtulo 3 descreve a metodologia utilizada nessa pesquisa. O Cap´ıtulo 4 discute os resultados e o Cap´ıtulo 5 conclui esse trabalho, apontando nossas contribui¸cões e trabalhos futuros.

(15)

2

FUNDAMENTAC

¸ ˜

AO TE ´

ORICA E REVIS ˜

AO DA

LITERATURA

2.1 MINERAÇ ÃO DE OPIN ÃO

Minera¸cão de opinião é o campo de estudo que analisa as opiniões, sentimentos, ava-lia¸cões, atitudes e emo¸cões de pessoas direcionadas a entidades ou alvos, como produ-tos, servi¸cos, organiza¸cões, indiv´ıduos, problemas, eventos, tópicos e seus atributos (Liu, 2012). A pesquisa em minera¸cão de opinião come¸cou com deteçcão de subjetividade, com os trabalhos de Carbonell (1979), Wilks e Bien (1983) e Wilson, Wiebe e Hwa (2004). Essa tarefa envolvia a deteçcão e separa¸cão das senten¸cas objetivas das subjetivas, que carregam as opiniões e sentimentos atrelados. Com o passar dos anos, come¸cando nos anos 2000, foi que a linha de pesquisa de minera¸cão de opinião alavancou, focando em classificar as opiniões em três categorias: negativo, positivo e neutro. A partir da´ı muitos trabalhos foram publicados nessa área, mas com diferentes denomina¸cões, como análise de sentimentos, minera¸cão de sentimentos, classifica¸cão de opiniões, dentre outros.

Somente em 2003, no trabalho de Dave, Lawrence e Pennock (2003), é que o termo minera¸cão de opinião foi usado e, juntamente com análise de sentimento, cunhado por Nasukawa e Yi (2003), é que o termo passou a ser largamente adotado. No entanto, atualmente, ambos os termos denotam o mesmo campo de pesquisa (Liu, 2012;Pang; Lee, 2008). Sendo assim, neste trabalho, ambos os termos serão utilizados alternadamente, mas, com o objetivo de simplificar a leitura e compreensão deste texto, o termo de minera¸cão de opinião será majoritariamente utilizado.

2.2 NÍVEIS DE MINERAÇ ÃO DE OPINI ÃO

Minera¸cão de opiniões é uma área de pesquisa que vem sendo investigada em três prin-cipais n´ıveis de análise: i) n´ıvel de análise de documento, ii) senten¸cas e iii) entidades e seus aspectos. O primeiro n´ıvel foca em classificar uma opinião de um documento expressando-a como positiva ou negativa. O segundo n´ıvel, o de senten¸cas, em vez de considerar o sentimento geral de um documento como todo, classifica as opiniões de cada

(16)

2.3 ETAPAS NA MINERAÇ ÃO DE OPINI ÃO 5

senten¸ca separadamente. E o ´ultimo n´ıvel foca em descobrir todos os alvos existentes em senten¸cas e documentos e classificar as opini˜oes direcionadas a eles (Liu, 2012).

O n´ıvel de análise de documento é também denominado na literatura como uma tarefa de classifica¸cão de sentimentos em n´ıvel documento, pois considera todo o documento como uma unidade de informa¸cão (Liu, 2012;Pang; Lee, 2008). É importante salientar que, nesse n´ıvel de detalhamento, é assumido que o documento expressa opiniões direcionadas para somente um único assunto e somente possui um único autor das opiniões. Essa análise é feita normalmente sobre opiniões sobre produtos e servi¸cos, pois cada avalia¸cão, normalmente, foca somente em um único produto ou servi¸co e é escrito por somente uma pessoa (Liu, 2012). Por exemplo, opiniões sobre filmes retiradas do IMDB ou Rotten Tomatoes1 _{ou de produtos da Amazon, s˜}_{ao utilizadas nesse n´ıvel, pois as opini˜}_{oes s˜}_ao

normalmente direcionadas somente a um alvo.

A minera¸cão de opinião em n´ıvel de senten¸cas é uma abordagem que aumenta a gra-nularidade da análise e determina se cada senten¸ca de um ou mais documentos expressam opiniões positivas, negativas ou neutras. As defini¸cões do problema e da suposi¸cão princi-pal deste n´ıvel são definidas a seguir (Liu, 2012): dada uma senten¸ca, deve ser determinado quando ela expressa uma opinião positiva, negativa, neutra ou nenhuma opinião, consi-derando que a senten¸ca deve conter somente uma única opinião de um único autor. Esse n´ıvel de análise é bastante utilizado como passo intermediário para o terceiro n´ıvel, o n´ıvel de entidade e aspectos. Analisando cada senten¸ca individualmente é poss´ıvel identificar as entidades e quais as opiniões estão sendo direcionadas à elas. Uma aplica¸cão para o n´ıvel de senten¸cas é na extra¸cão de opiniões onde o tema é livre e várias opiniões sobre diferentes assuntos emergem, como em fóruns de discussão e redes sociais.

Também denominado n´ıvel de entidade e caracter´ısticas, o n´ıvel de entidade e aspectos é o último n´ıvel de análise em minera¸cão de opinião (Liu, 2012). Este n´ıvel possui duas tarefas principais (Liu, 2012): extra¸cão dos alvos das opiniões e a classifica¸cão das opiniões referentes a esses alvos. A primeira tarefa consiste em extrair os alvos das senten¸cas. Por exemplo, na senten¸ca “A qualidade de voz desse telefone é muito boa”, o alvo é a qualidade da voz e a entidade é o telefone (mais precisamente “este telefone”). A segunda tarefa consiste em classificar - como positivas, negativas ou neutras - as opiniões referentes aos aspectos e das entidades extra´ıdas. No exemplo anterior, a opinião referente ao aspecto “qualidade de voz” da entidade “este telefone” é positiva (Liu, 2012).

2.3 ETAPAS NA MINERAÇ ÃO DE OPINI ÃO

O processo de minera¸cão de opinião tipicamente envolve algumas etapas, as quais con-sistem desde a prepara¸cão dos dados dos documentos até a classifica¸cão destes. É co-mum encontrar nos trabalhos relacionados as seguintes etapas para minerar e classificar opiniões: i) defini¸cão do dom´ınio, ii) pré-processamento, iii) transforma¸cão, iv) sele¸cão de caracter´ısticas, v) classifica¸cão e vi) análise dos resultados (Moraes; Valiati; Neto, 2012). A defini¸cão do dom´ınio é a fase em que são selecionadas os tipos de dados que serão utilizados para o estudo, como filmes, hotéis, produtos, etc. O pré-processamento é a etapa em que as bases escolhidas são estruturadas para serem utilizadas nas próximas

1

(17)

etapas, como a elimina¸cão de termos indesejados, erros de grafia, dentre outros. A trans-forma¸cão é o momento em que os termos estruturados do pré-processamento são trans-formados em dados numéricos. A extra¸cão e sele¸cão de caracter´ısticas envolve a obten¸cão de caracter´ısticas descritivas dos documentos a partir dos dados anteriores, assim como, a sele¸cão das caracter´ısticas mais relevantes. É importante destacar que a extra¸cão de ca-racter´ısticas não é tão comum de ser encontrada. De fato, é t´ıpico encontrar trabalhos que não é feita qualquer extra¸cão e a sele¸cão é realizada diretamente sobre os dados oriundos do pré-processamento, como pode ser encontrado em Subasic e Huettner (2001), Turney (2002) e Chaovalit e Zhou (2005). A etapa de classifica¸cão consiste na classifica¸cão dos documentos, utilizando as caracter´ısticas selecionadas na etapa anterior. E, por fim, na etapa de avalia¸cão é realizada a análise dos resultados obtidos pelo classificador.

As próximas se¸cões detalham os principais conceitos envolvidos em cada etapa do processo de minera¸cão de opinião.

Defini¸c˜ao do dom´ınio

A defini¸cão de dom´ınio envolve, essencialmente, duas tarefas: a escolha do idioma e os tipos dos dados do dom´ınio. Dentre os trabalhos relacionados, o idioma mais encontrado foi o inglês e filmes como o tipo de dado mais utilizado (Pang; Lee; Vaithyanathan, 2002; Turney, 2002; Dave; Lawrence; Pennock, 2003; Wilson; Wiebe; Hoffmann, 2005; Chaovalit; Zhou, 2005). A escolha do tipo filmes se deve à a maior dificuldade em minerar e classificar as opiniões dos documentos, conforme citado por trabalhos como Pang, Lee e Vaithyanathan (2002), Chaovalit e Zhou (2005), Whitelaw, Garg e Argamon (2005).

Pr´e-processamento

Em minera¸cão de opinião, a prepara¸cão dos dados é essencial. Antes de os dados serem transformados, analisados, selecionados e, então, classificados, eles precisam ser prepara-dos para serem usaprepara-dos corretamente no processo de minera¸cão de opinião. Textos são dados não estruturados e as opiniões se misturam às por¸cões não opinativas do documento. As principais tarefas envolvidas no pré-processamento são: a marca¸cão gramatical das palavras do texto (do inglês, Part of Speech Tagging), defini¸cão dos n-grams a serem utilizados e a tokeniza¸cão das palavras. N-gram é uma seqüência de n itens dada uma seqüência de um texto (Dave; Lawrence; Pennock, 2003).

A marca¸cão gramatical das palavras do texto é o processo de identifica¸cão das classes gramaticais de todos os elementos textuais do documento (Brill, 1995). Todos os artigos encontrados executaram essa tarefa, especificando ou não o tipo do marcador gramatical, como pode ser visto em Pang, Lee e Vaithyanathan (2002), Turney (2002), Wilson, Wiebe e Hoffmann (2005), Chaovalit e Zhou (2005). O marcador utilizado nessa pesquisa, devido a ser o mais usado nos trabalhos relacionados, foi o proposto em Brill (1995).

Depois do texto identificado e marcado é preciso definir quais n-grams serão selecio-nados para a próxima etapa. Adjetivos são centrais para identificar subjetividade e, por conseguinte, opiniões em textos. Em Hatzivassiloglou e Wiebe (2000) foi desenvolvido um algoritmo para determinar o sentimento final somente de adjetivos. Neste trabalho foi notado que há rela¸cão entre adjetivos e conjun¸cões, como “but”, “and”, dentre

(18)

ou-2.3 ETAPAS NA MINERAÇ ÃO DE OPINI ÃO 7

tros. A conjun¸cão “And”, por exemplo, mantem a mesma polaridade da opinião expressa pelo adjetivo, enquanto que “but”, essa polaridade é invertida, em geral. Utilizando um algoritmo de aprendizado de máquina, esse artigo conseguiu classificar os adjetivos com acurácias entre 78% e 92%, dependendo da quantidade de dados de treino dispon´ıveis. Outros trabalhos como os de Wiebe (2000) também utilizaram somente adjetivos como indicadores de subjetividade e presen¸ca de opiniões.

Turney (2002), por sua vez, apontou que adjetivos isolados podem indicar opiniões, mas podem não ser suficientes para determinar o sentimento geral de documentos. Ele ainda considera o contexto como fator determinante, exemplificando que “unpredictable” pode ser uma opinião negativa para automóveis, quando associado a “unpredictable ste-ering” ou positivo quando for direcionado a filmes, quando associado a “unpredictable plot”. Assim, Turney (2002) expande os adjetivos e acrescenta advérbios, verbos e subs-tantivos associados aos adjetivos, extraindo dos textos os chamados bigrams, n-grams compostos por dois elementos textuais. Turney (2002) alcan¸cou uma média de acurácia de 74% entre opiniões sobre automóveis e filmes.

Transforma¸c˜ao

Uma vez definidos os n-grams a serem utilizados no processo de minera¸cão de opinião, é na etapa de transforma¸cão que uma representa¸cão numérica é computada a partir dos n-grams obtidos da etapa de pré-processamento. Diferentes técnicas são utilizadas na literatura para calcular essa representa¸cão numérica dos n-grams. Turney (2002), por exemplo, utilizou uma técnica proposta em Turney (2001) chamada PMI-IR, que utiliza Pointwise Mutual Information (PMI) e Information Retrieval (IR) para medir a similaridade de pares de palavras ou frases.

Já Taboada, Voll e Brooke (2008), utilizou de dicionários de opinião, que contém os termos e os respectivos graus opinativos. Contudo, esses dicionários foram criados pelos autores do artigo. Ohana e Tierney (2009), por outro lado, utilizaram um dicionário cri-ado automaticamente, o Sentiwordnet (Esuli; Sebastiani, 2006). É um dicionário de opiniões criado pela anota¸cão automática dos sentimentos de cada synset (conjuntos de sinônimos) do Wordnet, outro dicionário na l´ıngua inglesa (Fellbaum, 2005). Segundo Ohana e Tier-ney (2009), dicionários manuais estão sujeitos ao enviesamento do autor, possuem alto tempo gasto para constru´ı-los e, em geral, tem menor cobertura que dicionários criados automaticamente. Ohana e Tierney (2009) também citou outros dicionários de opiniões criados automaticamente, como General Inquirer (Stone; Dunphy; Smith, 1966)2, Subjec-tivity Clues (Wilson; Wiebe; Hoffmann, 2005) e Grefenstette (Grefenstette et al., 2004), mas mostrou que o Sentiwordnet tem cobertura maior frente a estes, com mais de 28000 ter-mos cobertos, contra 4216, 7650 e 2258 dos dicionários citados, respectivamente. Esta pesquisa decidiu pelo uso do Sentiwordnet (Esuli; Sebastiani, 2006).

Dicionários opinativos, contudo, somente conseguem definir a polaridade de unigrams, ngrams compostos somente por um termo. Para tratar a defini¸cão da polaridade de bigrams e trigrams, por exemplo, é preciso analisar a influência entre os termos que compõem o ngram. Tratando sobre advérbios e adjetivos, os advérbios são termos que

2

(19)

alteram o grau de polaridade de uma adjetivo, seja intensificando (e.g. very good ) ou amenizando (e.g. somewhat sleazy) (Quirk; Crystal; Education, 1985). Há também inumeras maneiras de tratar a influência entre os termos num bigram, uma delas, e foi a escolhida para essa pesquisa, foi a de Taboada, Voll e Brooke (2008). Taboada, Voll e Brooke (2008) dividiu os advérbios em amplificadores e amenizadores. Os amplificadores aumentam a polaridade do adjetivo e os amenizadores diminuem. De maneira similar ao que fizeram com os dicionários anteriores, os advérbios tiveram associados, manualmente, percentu-ais de modifica¸cão, onde os amplificadores tem percentuais positivos e os amenizadores, negativos. Por exemplo, sleazy tem escore ou polaridade -3 e somewhat, um ameniza-dor, tem percentual igual a -30%. O bigram somewhat sleazy terá polaridade final de −3 + (3 · 30%) ' −2.

Outro fenômeno referente ao relacionamento entre termos num ngram é a nega¸cão. A nega¸cão ocorre quando n-grams de nega¸cão (e.g. advérbios) se associam a um ou mais n-grams, como nothing special ou not very good. Há, mais uma vez, diferentes maneiras de se tratar uma nega¸cão, como a inversão e o deslocamento de polaridade. A inversão inverte o sinal da polaridade do n-gram (e.g. not sleazy resultará na polaridade +3). O deslocamento da polaridade desloca o valor da polaridade do n-gram em dire¸cão a polaridade oposta por um valor fixo (na implementa¸cão desse artigo, foi defino por 4). Assim, por exemplo, em vez de not sleazy resultar em +3, a polaridade resultante será de −3 + 4 = +1 (Taboada; Voll; Brooke, 2008).

Há outras abordagens de transforma¸cão das polaridades dos termos relativas ao texto, como a freqüência e ao enviesamento das opiniões (Taboada et al., 2011). O tratamento da frequência de termos é a diminui¸cão da polaridade dos termos opinativos pela quanti-dade de vezes que eles aparecem no texto, resultando numa polariquanti-dade pol = pol · 1/n. A repeti¸cão de termos opinativos sugere que o autor das opiniões carece de comentários adi-cionais e se utiliza de uma palavra opiniativa genérica. Além disso, existe uma tendencia natural de seres humanos em favor de uma linguagem positiva (Boucher; Osgood, 1969), resultando conseqüentemente, no enviesamento na classifica¸cão de opiniões baseadas em dicionários (Kennedy; Inkpen, 2006).

Extra¸c˜ao e sele¸c˜ao de caracter´ısticas

Usualmente, os n-grams associados às suas respectivas classes gramaticais que saem da etapa de pré-processamento são utilizados diretamente na sele¸cão de caracter´ısticas. Porém, uma etapa adicional poderia ser a extra¸cão de caracter´ısticas dos documentos, que consiste em obter as caracter´ısticas que caracterizam os documentos, independente-mente do conteúdo espec´ıfico destes. Essa é uma etapa encontrada em poucos trabalhos relacionados nessa linha de pesquisa. Os trabalhos de Wilson, Wiebe e Hoffmann (2005) e de Ohana e Tierney (2009) foram um dos poucos encontrados na literatura que defini-ram e extra´ıdefini-ram as caracter´ısticas dos documentos, e posteriormente, as utilizadefini-ram para a classifica¸cão dos mesmos.

A sele¸cão de caracter´ısticas é a etapa onde as caracter´ısticas mais relevantes são selecionadas, e que serão usadas na classifica¸cão dos documentos. Com a redu¸cão da quantidade de caracter´ısticas, espera-se que o classificador seja mais eficiente e efetivo

(20)

2.3 ETAPAS NA MINERAÇ ÃO DE OPINI ÃO 9

(Moraes; Valiati; Neto, 2012). Medidas de sele¸cão de caracter´ısticas comuns nos trabalhos relacionados são document frequency (Pang; Lee; Vaithyanathan, 2002), mutual information (Turney, 2002) e information gain (Wiebe; Mihalcea, 2006). Contudo, nenhuma delas tem sido largamente aceita como a melhor medida de sele¸cão de caracter´ısticas para minera¸cão de opiniões, embora information gain tenha mostrado resultados competitivos (Moraes; Valiati; Neto, 2012).

O objetivo do nosso trabalho em realizar a sele¸cão de caracter´ısticas é gerar regras simples de classifica¸cão de sentimento, ou seja, com o menor número de antecedentes poss´ıvel, para facilitar o entendimento delas por parte do usuário. Uma caracter´ıstica do algoritmo usado nesse trabalho para a constru¸cão das regras é que a quantidade de an-tecedentes é igual ao número de caracter´ısticas selecionadas. Este algoritmo foi proposto por Wang e Mendel (1992) (este algoritmo é detalhado na Se¸cão 3.4.2). Portanto, quanto menor o número de caracter´ısticas, menor será a quantidade de antecedentes das regras. Um dos trabalhos encontrados na literatura que realizam a sele¸cão de caracter´ısticas, e posteriormente, constroem as regras para um sistema fuzzy usando o algoritmo de Wang-Mendel, é o trabalho de Cintra, Arruda e Monard (2008). Os autores compararam o desempenho de sua proposta com algoritmos clássicos de sele¸cão de caracter´ısticas, como CFS (Hall, 1999) e o c4.5 (Quinlan, 2014).

Os métodos de sele¸cão caracter´ısticas são tipicamente apresentados em duas classes: filters e wrappers(Guyon; Elisseeff, 2003). Os métodos do tipo wrappers analisam os sub-conjuntos de caracter´ısticas construindo e avaliando o modelo do classificador gerado a partir de cada subconjunto de caracter´ısticas, por isso tais métodos tendem a ser com-putacionalmente intensivos. Filters, como o CFS e c4.5, são métodos que selecionam caracter´ısticas independentes do modelo do classificador, utilizando para isso medidas de avalia¸cão direta das caracter´ısticas.

A hipótese central do CFS é que um bom conjunto de caracter´ısticas contém carac-ter´ısticas que são altamente correlacionadas com a classe, mas sem qualquer correla¸cão umas com as outras. O CFS é um algoritmo que junta essa hipótese com uma medida de correla¸cão apropriada e uma heur´ıstica de estratégia de busca (Hall, 1999). Dessa etapa de sele¸cão, o CFS produz uma lista das caracter´ısticas mais aptas a classificar os documentos da base.

O algoritmo C4.5, por outro lado, gera uma árvore de decisão que é normalmente usada para a tarefa de classifica¸cão (Quinlan, 1993). Todavia, para construir essa árvore de decisão, esse algoritmo seleciona as melhores caracter´ısticas entre as existentes a cada nó gerado. Portanto, uma árvore de decisão é constru´ıda, e o resultado é uma lista das caracter´ısticas mais aptas ordenadas por relevância. Sendo assim, quando se usa o C4.5 para sele¸cão de caracter´ısticas, a quantidade de caracter´ısticas selecionadas depende da altura da árvore, determinada por um parâmetro.

Classifica¸c˜ao ´

E nessa etapa que o sentimento geral das opiniões dos documentos são classificadas em positivo ou negativo. Diferentes técnicas de classifica¸cão podem ser encontradas na li-teratura, mas o Support Vector Machine (SVM) (Pang; Lee; Vaithyanathan, 2002; Pang;

(21)

Lee, 2004; Tsutsumi; Shimada; Endo, 2007; Prabowo; Thelwall, 2009), Naive Bayes (Pang; Lee; Vaithyanathan, 2002; Pang; Lee, 2004), soma (Ohana; Tierney; Delany, 2011; Avan¸co; Nunes, 2014) e a média (Turney, 2002; Voll; Taboada, 2007; Taboada; Voll; Brooke, 2008;Taboada et al., 2011) das polaridades foram as abordagens mais encontradas nos trabalhos relacionados. O SVM é uma popular técnica de aprendizado supervisionado, largamente utilizada na ´

area de minera¸cão de opinião e, possivelmente, é o método que produz os resultados com maior acurácia dentre os métodos existentes na literatura (Moraes; Valiati; Neto, 2012). O SVM é um método de aprendizado linear que procura um hiperplano ótimo para separar duas classes, além de buscar maximizar a distância para o ponto de treino mais próximo de cada classe, com o fim de alcan¸car melhor performance de generaliza¸cão/classifica¸cão nos dados de teste (Friedman; Hastie; Tibshirani, 2001).

A técnica de soma é a simples compara¸cão entre a soma das polaridade positivas e negativa dos n-grams. Se a soma positiva for maior que a negativa, o documento é classificado com positivo, de outra forma, negativo. O trabalho realizado em Ohana, Tierney e Delany (2011) utiliza a técnica da soma, comparando com o SVM. A técnica da média consiste em calcular a média resultante das polaridades. Se essa média for menor que zero, o documento é classificado como negativo e, de outra maneira, positivo Turney (2002), Taboada, Voll e Brooke (2008), Pang e Lee (2004). Essas técnicas foram incorporadas

Não obstante, em rela¸cão a aplica¸cão de lógica fuzzy na classifica¸cão no processo de minera¸cão de opinião, poucos trabalhos relacionados foram encontrados na literatura. Isso pode indicar que ainda é limitada a pesquisa sobre o uso dessa metodologia, embora a lógica fuzzy seja reconhecida como uma abordagem apropriada para lidar com dados imprecisos e vagos, como opiniões e sentimentos.

An´alise dos resultados

A etapa de análise dos resultados é a etapa final do processo de minera¸cão e classifica¸cão de opinião. É nessa fase em que os resultados são comparados entre si ou frente aos trabalhos relacionados. A medida mais utiliza dentre os trabalhos relacionados foi a acurácia (Equa¸cão.), com valida¸cão cruzada de 10-folds (Pang; Lee, 2004; Wilson; Wiebe; Hwa, 2004;Wilson; Wiebe; Hoffmann, 2005; Whitelaw; Garg; Argamon, 2005;Voll; Taboada, 2007).

´

E poss´ıvel encontrar outras medidas nos trabalhos relacionados, como sensividade, recall e F-1 (Fawcett, 2006), mas estas n˜ao foram utilizadas como medidas principais de avalia¸c˜ao dos resultados.

2.4 SISTEMAS FUZZY

Sistema Fuzzy (SF) é uma das mais importantes áreas de aplica¸cão da Teoria de Con-juntos Fuzzy. Geralmente, estes sistemas são estruturados por meio de regras fuzzy, os quais são conhecidos por Sistemas Baseados em Regras Fuzzy (SBRF). Os SBRF cons-tituem uma extensão dos sistemas clássicos baseados em regras, pois os antecedentes e os consequentes das regras são compostos por senten¸cas lógicas fuzzy, ao invés das sen-ten¸cas clássicas (Herrera, 2008). Este tipo de sistema tem sido amplamente usado para

(22)

2.4 SISTEMAS FUZZY 11

a resolu¸cão de diversos tipos de problema, tais como, problemas de controle (Mamdani, 1974; Mamdani; Assilian, 1975), modelagem (Pedrycz, 1996), classifica¸cão (Ishibuchi et al., 1994, 1995), diagnóstico médico (Sivasankar; Rajesh, 2010) e minera¸cão de dados (Ishibuchi; Nakashima; Nii, 2005).

Uma das principais razões para o uso de SBRF é a habilidade na modelagem do conhecimento vago e incerto, e a facilidade de expressar o comportamento do sistema em uma linguagem de fácil compreensão para os seres humanos. As regras possuem o seguinte formato:

SE antecedente ENT ˜AO consequente

Os antecedentes descrevem uma condi¸cão (premissa), enquanto a parte consequente descreve uma conclusão ou uma a¸cão que pode ser esbo¸cada quando as premissas se verificam. Os antecedentes definem uma região fuzzy no espa¸co das variáveis de entrada do sistema e os consequentes descrevem uma região no espa¸co das variáveis de sa´ıda do sistema.

Em uma descri¸cão mais extensa, um sistema fuzzy é composto pelos seguintes com-ponentes básicos: a interface de entrada (fuzifica¸cão), a base de conhecimento, o sistema de inferência e a interface de sa´ıda (desfuzifica¸cão) (Gomide; Gudwin; Tanscheit, 1995). A interface de entrada toma os valores das variáveis de entrada, transformando-os em con-juntos fuzzy, de modo que possam se tornar instâncias de variáveis lingu´ısticas. A base de conhecimento consiste de uma base de regras, caracterizando a estratégia de controle e suas metas. A base de dados armazena as defini¸cões necessárias sobre discretiza¸cões e normaliza¸cões dos universos de discurso, as parti¸cões fuzzy dos espa¸cos de entrada e sa´ıda e as defini¸cões das fun¸cões de pertinência. O sistema de inferência processa os dados fuzzy de entrada, juntamente com as regras, de modo a inferir as a¸cões de controle fuzzy. A interface de sa´ıda transforma as a¸cões de controle fuzzy inferidas em a¸cões de controle não fuzzy. A Figura 2.1 ilustra os componentes de um sistema fuzzy.

Há duas formas básicas de se definir a base de regras de um SBRF: manual e au-tomática. A defini¸cão manual depende inteiramente do conhecimento dos especialistas sobre o problema em questão, e por outro lado, na defini¸cão automática, são utiliza-dos algoritmos para a constru¸cão das regras. Neste trabalho optamos por usar a forma automática, através do algoritmo proposto por Wang e Mendel (1992).

Existem vários modelos de sistemas fuzzy, sendo que a distin¸cão entre eles se dá no consequente das regras. Entre os modelos mais conhecidos estão o Mamdani (Mamdani; Assilian, 1975), que utiliza conjuntos fuzzy nos consequentes das regras, Takagi-Sugeno ( Ta-kagi; Sugeno, 1985), no qual o consequente é representado por uma fun¸cão das variáveis de entrada, e o Tsukamot (Tsukamoto, 1979), que utiliza fun¸cões de pertinência monotônicas no consequente. Dentre os poucos trabalhos encontrados que aplicam conceitos fuzzy em minera¸cão de opinião, todos seguiram o modelo de Mamdani.

Para se determinar a sa´ıda de um SBRF é necessário definir um mecanismo de in-ferência fuzzy, que também é conhecido por Método de Racioc´ınio Fuzzy. Há dois métodos muito utilizados em sistemas de classifica¸cão fuzzy (Cintra, 2012), propostos por Cordón, Jesus e Herrera (1999), o Método de Racioc´ınio Fuzzy Geral (MRFG) e o Método de Racioc´ınio Fuzzy Clássico (MRFC).

(23)

Figura 2.1 Modelo de sistema fuzzy (Herrera, 2008).

O MRFC classifica um exemplo usando a regra que tem o maior grau de compati-bilidade com o exemplo. Seja ep = (ap1, ap2, · · · , apm) um exemplo para ser classificado,

e R1, R2, · · · , Rs o conjunto de regras do sistema de classifica¸c˜ao, cada uma com m

an-tecedentes e Aili(api), i = 1, · · · , m, ser o grau de pertinˆencia de uma caracter´ıstica api

para o conjunto fuzzy i da regra Rk, o MRFC aplica os seguintes passos para classificar

o exemplo ep (Cintra, 2012):

1. Calcula o grau de compatibilidade entre o exemplo ep e cada regra Rk, para k =

1, · · · , s e a norma t, atrav´es da Equa¸c˜ao .:

Compat(Rk, ep) = t(A1l1(ap1), A2l2(ap2), · · · , Amlm(apm)) (.)

2. Encontra a regra Rkmax que tem o maior grau de compatibilidade com o exemplo:

Compat(Rkmax, ep) = maxCompat(Rk, ep), k = 1, 2, · · · , s (.)

3. Associa a classe cj ao exemplo ep, onde cj ´e a classe definida pela regra m´axima

Rkmax

(24)

2.4 SISTEMAS FUZZY 13

Figura 2.2 M´etodo de Racioc´ınio Fuzzy Cl´assico (MRFC)

O MRFG, por outro lado, classifica um exemplo considerando todos os demais exem-plos em rela¸c˜ao as classes finais. Os seguintes passos mostram como MRFG funciona (Cintra, 2012):

1. De maneira similar ao MRFC, o MRFG calcula os graus de compatibilidade entre o exemplo ep e cada regra Rk, para k = 1, · · · , s.

2. Calcula o valor de classifica¸c˜ao Classc, para cada classe. Classc´e definida como a

agrega¸c˜ao dos graus de compatibilidade de todas as regras da classe ci, e representa

a compatibilidade do exemplo com todas as regras da classe ci. Ele pode ser definido

como:

Classc = f (Compat(Rk, ep)|cie a classe da regra R´ k) (.)

onde f ´e o operador de agrega¸c˜ao.

3. A classe com o maior grau ´e assinalada para o exemplo ep.

(25)

Figura 2.3 M´etodo de Racioc´ınio Fuzzy Geral (MRFG)

2.5 TRABALHOS RELACIONADOS

Nesta se¸cão serão discutidos trabalhos representativos e relacionados sobre minera¸cão de opinião. É importante ressaltar novamente que poucos trabalhos foram encontrados na literatura sobre a aplica¸cão de Lógica Fuzzy e extra¸cão de caracter´ısticas de documentos para classifica¸cão de opinião.

Um dos primeiros trabalhos a se destacar na área de minera¸cão de opinião foi o de Turney (2002), apresentando uma abordagem de classifica¸cão não supervisionada. Similar `

a tarefa de classificar documentos como positivos ou negativos, Turney (2002) propôs classificar opiniões como “recomendadas” (thumbs up ou “não recomendadas” (thumbs down). A classifica¸cão de um documento contendo as opiniões é feita através da média da polaridade do sentimento geral das opiniões das palavras num documento que continha adjetivos e advérbios. Turney (2002) conseguiu resultados de até 74% em média entre opiniões sobre filmes, automóveis, bancos e destinos para viáveis. Não foi encontrada a fonte da base utilizada por Turney (2002), mas o conteúdo desta foi retirado do site Epinions3_{, conforme pode ser visto no pr´}_{oprio artigo.}

Paralelamente, Pang, Lee e Vaithyanathan (2002) foi um dos primeiros a apresentar uma abordagem que utiliza técnicas clássicas de aprendizado de máquina para minera¸cão de opinião. Eles compararam o desempenho entre os métodos Naive Bayes, Maximum Entropy e Support Vector Machine (SVM). Esse trabalho mostrou que tais métodos produzem altas taxas de acurácia, alcan¸cando 82,9% de acurácia usando palavras isoladas (unigrams) com o SVM. Ainda mostraram que técnicas de aprendizado supervisionado produzem resultados melhores que técnicas de aprendizado não supervisionado. Contudo, a proposta apresentada por Pang, Lee e Vaithyanathan (2002) é dependente do dom´ınio utilizado, produzindo resultados muito ruins em outros tipos de dados, demandando outras rodadas de treinamento do classificador, aumentando custo e tempo para classificar

3

(26)

2.5 TRABALHOS RELACIONADOS 15

os documentos. O dom´ınio definido por Pang, Lee e Vaithyanathan (2002) foi o de filmes e os autores criaram a base de dados Cornell Movie Reviews 1.04

Um pouco mais relacionados a esta pesquisa, os trabalhos de Wilson, Wiebe e Hoff-mann (2005), Taboada, Voll e Brooke (2008), e Ohana e Tierney (2009) usaram um grande número de caracter´ısticas dos documentos. Essas caracter´ısticas envolveram desde a con-tagem de adjetivos e advérbios em frases e no documento inteiro, tuplas de palavras (bigrams e trigrams), como advérbios e adjetivos combinados, até a soma das polari-dades dos n-grams, dentre outros. Taboada, Voll e Brooke (2008) e Ohana e Tierney (2009) foram um dos poucos a apresentar o uso de dicionários de opiniões, nesse caso, o Sentiwordnet (Esuli; Sebastiani, 2006) que associa às palavras valores numéricos referentes as polaridades opiniativas. Na classifica¸cão de documentos como positivos ou negativos, estes trabalhos apresentaram 65,7% de acurácia em Wilson, Wiebe e Hoffmann (2005), 80,6% em Taboada, Voll e Brooke (2008) e 69,35% em Ohana e Tierney (2009). Wil-son, Wiebe e Hoffmann (2005) utilizou o dom´ınio de not´ıcias da base MPQA5_{; Taboada,}

Voll e Brooke (2008) utilizou diferentes dom´ınios, dentre eles filmes6_{, autom´}_{oveis, hot´}_eis

e músicas - não foram encontradas fontes para estas últimas bases; e Ohana e Tierney (2009) utilizou a base de filmes Cornell Movie Reviews 2.0 para análise dos resultados.

Em rela¸cão a aplica¸cão da lógica fuzzy, nós encontramos o trabalho de Nadali, Murad e Kadir (2010). Ele propõe um modelo de lógica fuzzy para executar classifica¸cão de opinião de clientes em cinco classes: muito fraca, fraca, moderada, muito forte e forte. Além disso, ele apresentou uma metodologia que indica o uso de sistemas de inferência, conjuntos fuzzy que modelam as cinco classes mencionadas e a cria¸cão manual de regras fuzzy. Contudo, o artigo de Nadali, Murad e Kadir (2010) não apresentou resultados, qualquer discussão a respeito e nem o dom´ınio e base relacionada.

Outro trabalho encontrado foi o de Ballhysa e Asilkan (2012) que propõe uma aborda-gem fuzzy para descobrir opiniões em postagens de blogs, determinando a polaridade do sentimento geral da postagem. Os autores apresentam conceitos fuzzy, como conjuntos fuzzy, opera¸cões entre conjuntos fuzzy, propõem um conjunto de medidas fuzzy e uma agrega¸cão fuzzy dessas medidas, embora um sistema fuzzy de inferência não seja utili-zado. Contudo, as medidas fuzzy propostas parecem corresponder a medidas não fuzzy (crip), mostrando que há, de fato, aplica¸cão própria da lógica fuzzy no trabalho. Além disso, existe uma superficial descri¸cão dos resultados obtidos de um conjunto de dados criados por eles mesmos e sem compara¸cão com nenhum outro. Ballhysa e Asilkan (2012) foi um dos poucos trabalhos que não utilizou o inglês como idioma de estudo (utilizou o albanês), utilizou postagens de fóruns de discussão sobre tópicos pré-determinados no trabalho, mas não disponibilizou essa base de dados produzida.

Liu (2012) foi um dos poucos a apresentar um proposta fuzzy com resultados claros. Ele utiliza a lógica fuzzy juntamente com ontologias de dom´ınio para minerar opiniões de avalia¸cões de produtos. Este trabalho aborda o problema da sobrecarga de informa¸cões que a web possui e a impossibilidade de catalogar as informa¸cões manualmente. Frente a

4_{Dispon´ıvel em http://www.cs.cornell.edu/people/pabo/movie-review-data/} 5

Dispon´ıvel em: http://mpqa.cs.pitt.edu/corpora/mpqa_corpus/

6

Cornell Movie Reviews 1.0 e 2.0 dispon´ıveis em: http://www.cs.cornell.edu/people/pabo/ movie-review-data/

(27)

essa motiva¸cão, o trabalho de Liu (2012) apresenta um nova proposta oriunda da jun¸cão de conjuntos fuzzy e ontologias de dom´ınio que os autores chamam de árvore de sentimen-tos de ontologias de dom´ınios fuzzy (tradu¸cão livre de fuzzy domain ontology sentiment tree - FDOST). Essa proposta extrai atributos de produtos das opiniões, constrói uma arvore de relacionamentos entre eles e, utilizando conjuntos fuzzy, classifica e associa os sentimentos. Dois são os conjuntos fuzzy utilizados neste trabalho: um conjunto de pala-vras de sentimentos e outro de palapala-vras especificas do dom´ınio (neste caso, laptops). Eles são utilizados para construir o modelo da ontologia do dom´ınio que, por sua vez, será utilizado para construir as árvores de relacionamento entre os atributos dos produtos e os sentimentos associados. Os resultados obtidos mostram que a utiliza¸cão dos conjuntos fuzzy teve melhor desempenho que a mesma proposta sem o uso deles.

E em Mouthami, Devi e Bhaskaran (2013) um novo algoritmo, chamado de Classi-fica¸cão de Sentimentos Fuzzy (da tradu¸cão livre de Sentiment Fuzzy Classification), é proposto para melhorar a precisão da classifica¸cão de sentimentos de opiniões, utilizando lógica fuzzy, POS-Tags (Part of Speech Tags) e uma base de dados de filmes como base de avalia¸cão. Além do uso de lógica fuzzy, este trabalho contribui em mapear as etapas básicas do processo de minera¸cão de opiniões, baseando-se nas tarefas executadas nos trabalhos relacionados descritos na pequisa dos autores. Conjuntos fuzzy são utilizados na etapa de classifica¸cão, onde são definidos três deles: conjunto fuzzy positivo, negativo e neutro. O trabalho,contudo, não apresentou resultados.

Foi recorrente encontrar artigos com propostas de conceitos fuzzy pra minera¸cão de opinião que não apresentavam resultados os discutiam apropriadamente - em alguns casos a metodologia nem era bem definida. Essa pesquisa difere destes e de outros trabalhos relacionados por apresentar e aplicar apropriadamente conceitos e técnicas fuzzy em mi-nera¸cão de opinião. Nós modelamos as variáveis fuzzy e constru´ımos um sistema de inferência fuzzy baseado em caracter´ısticas dos documentos. Nós executamos ainda nos-sos testes em conjuntos de dados já utilizados nos trabalhos relacionados, permitindo compara¸cões diretas. Além disso, nós propomos uma fase de extra¸cão e sele¸cão de ca-racter´ısticas pouco encontradas em outros trabalhos, onde definimos, extra´ımos e seleci-onamos um grande número de caracter´ısticas dos documentos, baseando-se nos poucos trabalhos que já fizeram esse tipo de extra¸cão.

O pr´oximo cap´ıtulo apresenta a metodologia utilizada nessa pesquisa, descrevendo cada etapa realizada e as t´ecnicas relevantes usadas nessas etapas.

(28)

Cap´ıtulo

3

METODOLOGIA

Dada nossa proposta de projetar e avaliar um sistema fuzzy de minera¸cão de opinião para classificar o sentimento geral de opiniões encontradas em textos de documentos, inicia-mos definindo com mais propriedade nosso problema e a tarefa a ser desempenhada. A partir de documentos de bases selecionadas, a análise dos documentos a ser realizada pelo sistema fuzzy deve ser capaz de classifica-los em positivos, que exprimem um sentimento geral positivo sobre um determinado assunto, ou em negativos, que exprimem um sen-timento geral negativo, definindo, portanto, um problema de classifica¸cão binária. Com o objetivo de construir um sistema independente do dom´ınio em que as opiniões são ex-pressas, como por exemplo, opinões sobre cinema, livros ou automóveis, nossa abordagem utiliza caracter´ısticas extra´ıdas dos próprios documentos, que são comuns à documentos de outros dom´ınios, ao invés de usar diretamente, por exemplo, os termos existentes nos textos de um determinadodo dom´ınio, como realizado em Pang, Lee e Vaithyanathan (2002), Pang e Lee (2004, 2008).

Para executarmos nossa tarefa de classifica¸cão da polaridade dos documentos, é pre-ciso seguir seis etapas comumente utilizadas em processos de minera¸cão de opinião: i) defini¸cão do dom´ınio, ii) pré-processamento, iii) transforma¸cão, iv) extra¸cão e sele¸cão de caracter´ısticas, v) classifica¸cão e vi) análise dos resultados (Moraes; Valiati; Neto, 2012).

Primeiramente, na defini¸cão do dom´ınio são selecionadas as bases de dados dispon´ıveis nos trabalhos relacionados ou em outras origens, estabelecendo a quantidade e os tipos de dom´ınios que serão utilizados. O pré-processamento é a etapa em que as bases es-colhidas são preparadas para serem utilizadas nas próximas, estruturando e filtrando os termos originais dos textos. A transforma¸cão é o momento em que os termos estruturados do pré-processamento são transformados em dados numéricos. A extra¸cão e sele¸cão de caracter´ısticas envolve a obten¸cão de caracter´ısticas descritivas dos documentos a partir dos dados anteriores, assim como, a sele¸cão das caracter´ısticas mais relevantes. Na etapa de classifica¸cão, a base de regras fuzzy é gerada a partir das caracter´ısticas selecionadas e aplicada para classificar os documentos. E, por fim, a etapa de avalia¸cão realiza uma análise do desempenho da classifica¸cão em conjunto com as demais etapas. A Figura 3.1 ilustra todo o processo de minera¸cão de opinião que, em geral, é composto pela defini¸cão

(29)

do dom´ınio de pesquisa; pré-processamento dos dados dos documentos sob análise; trans-forma¸cão dos dados textuais em representa¸cões numéricas; extra¸cão de caracter´ısticas dos documentos e sele¸cão das melhores caracter´ısticas extra´ıdas; classifica¸cão dos documentos e, por fim, análise dos resultados.

Figura 3.1 Etapas do processo de minera¸c˜ao de opini˜ao.

3.1 DEFINIÇ ÃO DO DOMÍNIO E O PRÉ-PROCESSAMENTO DOS DADOS Dom´ınios diversos foram escolhidos para serem analisados por essa pesquisa, dentre eles filmes, livros, carros, computadores, panelas, hotéis, músicas, celulares, mp3, pen-drives, dispositivos gps, wifi e câmeras fotográficas. Essa diversidade de dom´ınios é importante para avaliar nossa proposta em contextos variados, assim como para buscar um classi-ficador menos dependente de dom´ınio. As bases escolhidas são da l´ıngua inglesa e bem conhecidas pela comunidade cient´ıfica da área.

Para filmes, n´os selecionamos a largamente utilizada base de dados Movie Review Sentiment Polarity Dataset v2.01_{, desenvolvida e utilizada inicialmente por Pang e Lee}

(2004). Ela ´e uma base de dados balanceada, pois tem a mesma quantidade de docu-mentos positivos e negativos. Ela possui 2000 docudocu-mentos com opini˜oes sobre filmes, 1000 positivos e 1000 negativos, retirados do site IMDB2_{. Os documentos foram}

previ-amente classificados pelos autores e todos os demais dados originais foram removidos, como data, autor, gênero, assunto, t´ıtulo, dentre outros, restando somente o texto origi-nal das opiniões. Os textos ainda foram divididos em senten¸cas, onde cada linha é uma frase do documento.

As opiniões sobre livros, carros, computadores, panelas, hotéis, músicas, celulares estão reunidos numa base de dados balanceada com 400 documentos, produzida por Taboada et al. (2011), chamada “Epinions 1”3_{. Os documentos com as opini˜}_{oes foram}

extra´ıdas do site Epinions4, das categorias já citadas. Cada categoria possui 50 documen-tos, 25 positivos e 25 negativos, os quais foram classificados como positivos ou negativos pelos autores através de uma marca¸cão, “recomendado” ou “não recomendado”, nos tex-tos opiniativos inseridos pelos próprios usuários. Todos os demais dados originais foram

1_{Dispon´ıvel} _em: _{https://www.cs.cornell.edu/people/pabo/movie-review-data/.} _Veja

uma lista de trabalhos utilizando esta base em https://www.cs.cornell.edu/people/pabo/ movie-review-data/otherexperiments.html

2

http://www.imdb.com

3

Dispon´ıvel em: http://www.sfu.ca/~mtaboada/research/SFU_Review_Corpus.html

4

(30)

3.1 DEFINIÇ ÃO DO DOMÍNIO E O PR É-PROCESSAMENTO DOS DADOS 19

removidos, como data, autor, gˆenero, assunto, t´ıtulo, dentre outros, restando somente o texto original das opini˜oes.

Em rela¸cão às opiniões de dom´ınios de mp3, pen-drives, dispositivos gps, wifi e câmeras fotográficas, nós utilizamos um recorte balanceado de 2000 documentos de uma base de dados chamada “Amazon-83713”5, que contém opiniões sobre os produtos do site da Ama-zon.com. Parte dessa base já foi utilizada em outros trabalhos, como o de Baccianella, Esuli e Sebastiani (2010a) e Baccianella, Esuli e Sebastiani (2014). Cada documento contém três informa¸cões: um identificador único, o texto original e escore, dentro de uma escala de 1 a 5. Este trabalho utilizou o escore para classificar os documentos da seguinte forma. Todos os documentos com escore igual ou menor que 2 foram considerados nega-tivos, e documentos com escore igual a 4 ou 5 foram considerados positivos. Documentos com escore igual a 3 foram descartados, conforme realizado em (Khan, 2011) e (Pang; Lee, 2004), além de nossa tarefa de classifica¸cão ser binária (positivo e negativo). É impor-tante frisar também que nós fizemos o recorte balanceado de 2000 documentos, pois essa base é originalmente altamente desbalanceada, com muito mais documentos positivos que negativos.

Após a defini¸cão dos dom´ınios é preciso, antes de iniciar a etapa de pré-processamento, definir o n´ıvel da análise que será feita sobre os documentos. O n´ıvel de análise de documento foi escolhido por ser o n´ıvel mais encontrado entre os trabalhos relacionados, como os trabalhos de Joachims (1998), Pang, Lee e Vaithyanathan (2002), Gamon (2004), Mullen e Collier (2004), Pang e Lee (2004), Cui, Mittal e Datar (2006).

As bases selecionadas devem passar pela etapa de pré-processamento para se ade-quarem às etapas seguintes. Isto envolveu as seguintes tarefas: a tokeniza¸cão dos docu-mentos, marca¸cão gramatical das palavras (do inglês, Part of Speech Tagging ou POST) e defini¸cão dos n-grams que serão utilizados para construir o modelo que represente o documento.

A tokeniza¸cão dos documentos divide o conteúdo de cada documento em senten¸cas e, por sua vez, em palavras, para que o marcador gramatical (ou tagger ) possa identificar as classes gramaticais das palavras do documento. O marcador gramatical usado foi o proposto por Brill (1995), o qual é também usado em trabalhos relacionados a esta pesquisa (Chaovalit; Zhou, 2005;Taboada; Voll; Brooke, 2008;Taboada et al., 2011). O marcador gramatical é um sistema que processa um texto num determinado idioma, identifica e atribui rótulos para cada palavra nesse texto, como substantivos, verbos, adjetivos, advérbios, dentre outros6_{. A ferramenta utilizada para essas tarefas da metodologia foi}

o Textblob7. Essa ferramenta provˆe uma interface simples de usar outras ferramentas conhecidas em processamento de linguagem natural, como NLTK8 e pattern9.

Tomemos o seguinte documento da base Epinions 1, como exemplo:

Size: slightly longer than Canon S500 but thinner - so not so bad. Overall the cons are

5

Dispon´ıvel em: http://patty.isti.cnr.it/~baccianella/reviewdata/index.php?download

6_{A lista completa dos r´}_{otulos para o idioma inglˆ}_{es pode ser encontrado em: https://www.ling.}

upenn.edu/courses/Fall_2003/ling001/penn_treebank_pos.html

7

Dispon´ıvel em: http://textblob.readthedocs.org/en/latest/

8

Dispon´ıvel em: http://www.nltk.org/

9

(31)

not rightfully bad.

Após a marca¸cão gramatical, o documento é alterado para:

Size/NN: slightly/RB longer/RB than/IN Canon/NNP S500/NNP but/CC thinner/JJR - so/RB not/RB so/RB bad/JJ. Overall/RB the/DT cons/NNS are/VBP not/RB

rightfully/RB bad/JJ.

A tarefa final é definir como compor o modelo que representará o documento. O tipo de modelo inicial utilizado nessa pesquisa foi o popular saco de palavras (bag-of-words), em que cada documento é representado por um vetor de termos (ou n-grams) do documento (Moraes; Valiati; Neto, 2012). Neste trabalho foram consideradas 3 classes de n-grams: unigrams (uma palavra), bigrams (duas palavras) ou trigrams (três palavras).

Os trabalhos de Hatzivassiloglou e Wiebe (2000) e Wiebe (2000) demonstraram que adjetivos são bons indicadores de subjetividade e senten¸cas opinativas. Contudo, embora adjetivos isolados possam indicar a presen¸ca de opiniões, é poss´ıvel que não haja con-texto suficiente para determinar se o sentimento geral das opiniões é positivo ou negativo. Em Chaovalit e Zhou (2005), foi reiterado a importância dos adjetivos e foi adicionado os advérbios como elementos que também provêem subjetividade, enquanto que os de-mais termos provêem contexto. Benamara et al. (2007) demonstraram que advérbios são importantes modificadores de intensidade dos adjetivos e influenciam significativamente na determina¸cão do sentimento geral das opiniões de um documento. Dessa forma, nós definimos 5 tipos de n-grams: adjetivos e advérbios como unigrams; advérbios com ad-jetivos (e.g. very good ), advérbios com advérbios como bigrams; e a combina¸cão de dois advérbios e um adjetivo como trigram (e.g. not very nice) (Pang; Lee; Vaithyanathan, 2002; Turney, 2002;Taboada; Voll; Brooke, 2008;Karamibekr; Ghorbani, 2012).

Neste processo, também extra´ımos tipos especiais de bigrams e trigrams: n-grams ne-gados (e.g. not bad, nothing special ). Nós aplicamos uma versão simplificada da técnica usada por Das e Chen (2001) para deteçcão de nega¸cão. N-grams negados podem tanto inverter a polaridade local de um termo ou o sentimento geral de uma frase ou docu-mento, quanto podem intensificar a polaridade geral (e.g. not only good but amazing). Além disso, Taboada, Voll e Brooke (2008) demonstraram que, embora pequeno, o tra-tamento de nega¸cão em minera¸cão de opinião, na média, produz melhores resultados na classifica¸cão dos documentos.

Retomando o exemplo anterior e uma vez definidos quais n-grams ser˜ao selecionados, os seguintes n-grams em negrito s˜ao selecionados do texto marcado gramaticalmente:

Size/NN: slightly/RB longer/RB than/IN Canon/NNP S500/NNP but/CC thinner/JJR - so/RB not/RB so/RB bad/JJ. Overall/RB the/DT cons/NNS

are/VBP not/RB rightfully/RB bad/JJ

Ao fim do estágio de pré-processamento, cada documento é transformado num vetor de n-grams associados aos seus rótulos gramaticais, o qual é passado para a etapa de transforma¸cão - do exemplo que está sendo seguido, o vetor resultante é [slightly/RB longer/RB, thinner/JJR, not/RB so/RB bad/JJ, not/RB rightfully/RB bad/JJ].

(32)

3.2 TRANSFORMAC¸ ˜AO 21

Nesta etapa, o vetor de n-grams que representa cada documento tem alta dimensiona-lidade pela existência de muitos termos distintos em cada cole¸cão, embora poucos termos estejam presentes em cada documento individual. O tamanho do vetor de n-grams asso-ciados aos seus rótulos gramaticais na base de filmes foi de 22260 com média de 25.59 ± 11.19 termos presentes em cada documento, e na base da Amazon o tamanho do vetor foi de 5010 com média de 6.58 ± 5.93 termos presentes em cada documento.

3.2 TRANSFORMAC¸ ˜AO

A etapa de transforma¸cão produz representa¸cões numéricas a partir dos vetores de n-grams da etapa de pré-processamento. Cada n-gram é associado a um valor numérico que expressa um grau de polaridade opinativo, o qual é obtido por meio de um dicionário de opiniões (Ballhysa; Asilkan, 2012; Moraes; Valiati; Neto, 2012; Mouthami; Devi; Bhaskaran, 2013). Neste trabalho, o dicionário utilizado foi o SentiWordNet 3.010 (Baccianella; Esuli; Sebastiani, 2010b).

3.2.1 SentiWordNet 3.0

O SentiWordNet 3.0 (SWN) é a terceira versão do SentiWordNet, apresentado por Esuli e Sebastiani (2006). É um dicionário criado pela anota¸cão automática dos sentimentos de cada synset (conjuntos de sinônimos) do Wordnet 3.0, outro dicionário na l´ıngua inglesa (Fellbaum, 2005). Cada synset do Wordnet reúne palavras que denotam um mesmo conceito, mas como uma palavra pode ter mais de um sentido, esta pode pertencer a vários synsets dependendo do conceito que denota. Cada synset possui um gloss, uma breve defini¸cão e, na maioria dos casos, uma ou mais senten¸cas ilustrando o uso dos termos dentro um synset. A anota¸cão automática feita pelo SWN associa três escores numéricos a cada synset s, P os(s), N eg(s) e Obj(s), que indicam o quanto positivos, negativos e ”objetivos”(ou neutros) são os termos existentes no synset (Baccianella; Esuli; Sebastiani, 2010b).

O método de cria¸cão do SWN se baseia num conjunto de classificadores ternários11_que

são capazes de decidir quando um synset é positivo, negativo ou objetivo (Esuli; Sebastiani, 2006). Cada classificador difere um do outro pelos conjuntos de treinos, produzindo diferentes resultados para os synsets do Wordnet. O escore final do synset é determinado pela propor¸cão normalizada dos classificadores ternários que conseguiram associar um rótulo ao synset. Se todos os classificadores concordarem em associar o mesmo rótulo para um synset, aquele rótulo (e.g. positivo) terá escore máximo para aquele synset. De outra forma, cada rótulo terá um escore proporcional ao número de classificadores que associaram um rótulo a ele. Por exemplo, 3 classificadores assinalaram positivo para um dado synset, um outro classificou o synset como negativo, e nenhum conseguiu classifica-lo como objetivo. Assim o synset terá P os(s) = 0.75, N eg(s) = 0.25 e Obj(s) = 0. Como a propor¸cão é normalizada, os valores estão num intervalo [0, 1] e a soma dos três

10_{Dispon´ıvel em: http://sentiwordnet.isti.cnr.it/. Download de 22/01/2013}

11_{Um classificador n-´}_{ario ´}_{e um dispositivo que atribui a cada objeto exatamente um r´}_{otulo a partir}