| Título: | Análise comparativa entre aprendizado supervisionado e aprendizado por transferência aplicados a análise de sentimentos em textos |
| Autor(es): | Palma, Rodrigo Demetrio |
| Orientador(es): | Faleiros, Thiago de Paulo |
| Assunto: | Banco de dados
Mineração de texto
Aprendizado de máquina
Aprendizado do computador |
| Data de apresentação: | 18-Dez-2020 |
| Data de publicação: | 22-Abr-2021 |
| Referência: | PALMA, Rodrigo Demetrio. Análise comparativa entre aprendizado supervisionado e aprendizado por transferência aplicados a análise de sentimentos em textos. 2020. 48 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação)—Universidade de Brasília, Brasília, 2020. |
| Resumo: | Análise de sentimentos em textos é uma tarefa muito estudada no meio acadêmico e cada vez mais novos trabalhos estão sendo publicados. Empresas que pretendem adotar este tipo de tecnologia para seu negócio precisam conhecer e decidir qual a melhor estratégia de implementação de acordo com o cenário específico em que ela se encontra. Assim, este trabalho mostra que técnicas mais clássicas e simples podem ser a melhor escolha, principalmente quando recursos computacionais são limitados ou pequenos ganhos em performance não são tão críticos. Para isso, é conduzida uma análise comparativa de duas abordagens para o problema de análise de sentimentos: a abordagem clássica, onde utiliza-se algoritmos supervisionados para classificação (positivo ou negativo), como SVM e Naïve Bayes, e a abordagem moderna, onde utiliza-se métodos de aprendizado por transferência. Experimentos foram realizados para validar a ideia proposta, onde foram aplicados um conjunto de algoritmos clássicos e um conjunto de técnicas de aprendizado por transferência em quatro bases de dados focadas na tarefa de análise de sentimentos. A análise comparativa obteve resultados relevantes, a qual mostrou que os algoritmos clássicos são competitivos mesmo obtendo acurácia mais baixa que os modernos e que de fato podem ser uma boa alternativa para cenários limitados. |
| Abstract: | Sentiment analysis is widely studied and it has many papers published nowadays. Com panies that seek to use this kind of technology in their business have to understand and decide which approach is the best for their specific scenario. Here, we show that clas sic approaches can be the best choice when limited hardware resource is available or small performance improvements are not critical. To show these issues, we conduct a comparative analysis between two sentiment analysis approaches. The classic approach, where supervised learning algorithms are used to classify the sentiment (positive or neg ative) as Support Vector Machine and Naive Bayes, and the new approaches, where the state-of-the-art transfer learning method is used. We perform a series of experiments to validate the proposed idea, and we create two groups of algorithms with four different data sets focused on sentiment analysis tasks, one with supervised-learning-based algorithms and another with transfer-learning-based models. The analysis achieved relevant results, showing that classic algorithms are competitive even with lower accuracy than the new algorithms and that they can be a suitable alternative in limited scenarios. |
| Informações adicionais: | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2020. |
| Licença: | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta. |
| Aparece na Coleção: | Engenharia da Computação
|
Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.
