Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online
Internet ha permitido a millones de personas conectarse y generar interacciones, como en las redes sociales, lo que ha generado mucha información no estructurada, que es difícil de analizar por un grupo de seres humanos, debido a su gran cantidad. En este trabajo se aplican técnicas de Machine Learn...
- Autores:
-
Granados Figueroa, Juan David
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/34933
- Acceso en línea:
- http://hdl.handle.net/11634/34933
- Palabra clave:
- Machine Learning
Sentiment Polarity Analysis
Recurrent Neural Network
Inteligencia Artificial
Procesamiento Natural de Lenguaje
Aprendizaje Profundo
Procesamiento Natural de Lenguaje
Redes Neuronales Recurrentes
Inteligencia Artificial
Aprendizaje de Maquina
Aprendizaje Profundo
Análisis de Polaridad de Sentimiento
- Rights
- openAccess
- License
- Abierto (Texto Completo)
| id |
SANTTOMAS2_4ef0f7630b3f031a09fbb4059eac1982 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/34933 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| title |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| spellingShingle |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online Machine Learning Sentiment Polarity Analysis Recurrent Neural Network Inteligencia Artificial Procesamiento Natural de Lenguaje Aprendizaje Profundo Procesamiento Natural de Lenguaje Redes Neuronales Recurrentes Inteligencia Artificial Aprendizaje de Maquina Aprendizaje Profundo Análisis de Polaridad de Sentimiento |
| title_short |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| title_full |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| title_fullStr |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| title_full_unstemmed |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| title_sort |
Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online |
| dc.creator.fl_str_mv |
Granados Figueroa, Juan David |
| dc.contributor.advisor.none.fl_str_mv |
Amaya, Sindy Paola |
| dc.contributor.author.none.fl_str_mv |
Granados Figueroa, Juan David |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0002-1714-1593 |
| dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.es/citations?user=Gg2sofAAAAAJ&hl=es |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000796425 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Machine Learning Sentiment Polarity Analysis Recurrent Neural Network |
| topic |
Machine Learning Sentiment Polarity Analysis Recurrent Neural Network Inteligencia Artificial Procesamiento Natural de Lenguaje Aprendizaje Profundo Procesamiento Natural de Lenguaje Redes Neuronales Recurrentes Inteligencia Artificial Aprendizaje de Maquina Aprendizaje Profundo Análisis de Polaridad de Sentimiento |
| dc.subject.lemb.spa.fl_str_mv |
Inteligencia Artificial Procesamiento Natural de Lenguaje Aprendizaje Profundo |
| dc.subject.proposal.spa.fl_str_mv |
Procesamiento Natural de Lenguaje Redes Neuronales Recurrentes Inteligencia Artificial Aprendizaje de Maquina Aprendizaje Profundo Análisis de Polaridad de Sentimiento |
| description |
Internet ha permitido a millones de personas conectarse y generar interacciones, como en las redes sociales, lo que ha generado mucha información no estructurada, que es difícil de analizar por un grupo de seres humanos, debido a su gran cantidad. En este trabajo se aplican técnicas de Machine Learning para analizar la polaridad de sentimiento en lenguaje español, de los comentarios de usuarios de Twitter acerca de diversos temas. El análisis de polaridad de sentimiento permite analizar las tendencias de opinión de una forma rápida y automática, permitiendo a las empresas y organización tener información valiosa para la toma de decisiones. Se implementan Redes Neuronales Recurrentes, las cuales son uno de los métodos que mejores resultados muestran para el análisis de secuencias, mediante la aplicación de Deep Learning, el cual pertenece al campo del Machine Learning y que, además, evita la necesidad de realizar extracción de características, lo cual conllevaría una minuciosa selección por parte de expertos de lenguaje. Se utiliza Keras para programar el modelo con tensorflow, y se obtienen resultados de exactitud muy cercanos a los sistemas más avanzados en el estado del arte. El modelo es entrenado con un Dataset de 49.444 oraciones etiquetadas con positivo o negativo, en base al corpus de TASS. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-07-15T20:12:06Z |
| dc.date.available.none.fl_str_mv |
2021-07-15T20:12:06Z |
| dc.date.issued.none.fl_str_mv |
2021-03-01 |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.category.spa.fl_str_mv |
Formación de Recurso Humano para la Ctel: Trabajo de grado de Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Granados, Figueroa, J. D. (2021). Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/34933 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Granados, Figueroa, J. D. (2021). Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/34933 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
[1] V. Kharde y P. S. Sonawane, «Sentiment Analysis of Twitter Data: A Survey of Techniques,» International Journal of Computer Aplications, vol. 139(11), pp. 5-15, 2016. [2] M. Atique y . H. P. Patil , «Sentiment Analysis for Social Media: A Survey,» de 2nd International Conference on Information Science and Security (ICISS), Seoul, 2015. [3] Y. LeCun, Y. Bengio y G. Hinton, «Deep Learning,» NATURE, vol. 521, pp. 436-444, 2015. [4] I. Goodfellow, Y. Bengio y A. Courville, Deep Learning, MIT Press, 2016. [5] J. Chung, C. Gulcehre, K. Cho y Y. Bengio, «Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,» de NIPS Deep Learning and Representation Learning Workshop, 2014. [6] E. Martínez-Cámara y J. Villena-Román, «TASS - Workshop on Sentiment Analysis at SEPLN,» Procesamiento del Lenguaje Natural, vol. 50, pp. 37-44, 2013. [7] L. Rosenberg y N. Pescetelli , «Artificial Swarm Intelligence Amplifies Accuracy when Predicting Financial Markets,» de IEEE Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), New York City, 2017. [8] S. Al-Saqqa, H. Abdel-Nabi y A. Awajan, «A Survey of Textual Emotion Detection,» de 2018 8th International Conference on Computer Science and Information Technology (CSIT), Amman, Jordan, 2018. [9] H. S. Kisan, H. A. Kisan y A. P. Suresh , «Collective intelligence & sentimental analysis of twitter data by using StandfordNLP libraries with software as a service (SaaS),» de IEEE international Conference on Computational Intelligence and Computing Research (ICCIC), Chennai, 2016. [10] K. Zvarevashe y O. O. Olugbara , «A framework for sentiment analysis with opinion mining of hotel reviews,» de 2018 Conference on Information Communications Technology and Society (ICTAS), Durban, South Africa, 2018. [11] A. Salinca, «Business Reviews Classification Using Sentiment Analysis,» de 17th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), Timisoara, Romania, 2015. [12] the sckit-learn comunity, «sckit-learn,» 2010. [En línea]. Available: https://scikit-learn.org/stable/index.html. [Último acceso: 10 May 2019]. [13] H. Kaur, V. Mangat y Nidhi , «A survey of sentiment analysis techniques,» de International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), Palladam, India, 2017. [14] A. Patel y K. T. Arvind , «Sentiment Analysis by using Recurrent Neural Network,» de 2° Internacional conference on advanced computing software engineering (ICACSE-2019), 2019. [15] «IMBD Datasets,» [En línea]. Available: https://www.imdb.com/interfaces/. [Último acceso: 10 May 2020]. [16] M. A. Paredes-Valverde, R. Colomo-Palacios, M. d. P. Salas-Zárate y R. Valencia-García, «Sentiment Analysis in Spanish for Improvement of Products and Services: A Deep Learning Approach,» Hindawi, Scientific Programming, vol. Volume 2017, 26 Oct 2017. [17] A. Radford, R. Jozefowicz y I. Sutskever, «Learning to Generate Reviews and Discovering Sentiment,» arVix preprint arXiv:1704.01444v2 [cs.LG], 6 Apr 2017. [18] J. ̃. Paulo Aires, C. Padilha, C. Quevedo y F. Meneguzzi, «A Deep Learning Approach to Classify Aspect-Level Sentiment using Small Datasets,» de International Joint Conference on Neuronal Networks (IJCNN), Rio de Janeiro, Brazil, 2018. [19] S. Chen, C. Peng y L. Cai, «A Deep Neural Network Model for Target-based Sentiment Analysis,» de International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018. [20] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, G. Aidan N. , L. Kaiser y I. Polosukhin, «Attention Is All You Need,» arXiv preprint arXiv:1706.03762v5 [cs.CL], 6 Dec 2017. [21] «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,» arVix preprint arXiv:1810.04805v2 [cs.CL], 24 May 2019. [22] Z. Yang, Z. Dai, Y. Yang, J. Carbonell, R. Salakhutdinov y Q. V. Le, «XLNet: Generalized Autoregressive Pretraining for Language Understanding,» arVix preprinted arXiv:1906.08237v2 [cs.CL], 2 Jan 2020. [23] T. B. Brown∗, B. Mann, N. Ryder∗ y M. Subbiah∗, «Language Models are Few-Shot Learners,» arVix preprint arXiv:2005.14165v4 [cs.CL], 22 Jul 2020. [24] L. You y B. Tuncer, «Exploring public sentiments for livable places based on a crowdcalibrated sentimet analysis mechanism,» de IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), San Francisco, CA, 2016. [25] Q. Song, S. Almahdi y S. Y. Yang, «Entropy based measure sentiment analysis in the financial market,» de IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, Hl, 2017. [26] C. W. Park y D. R. Seo, «Sentiment analysis of Twitter corpus related to artificial intelligence assistants,» de 5th International Conference on Industrial Engineering and Applications (ICIEA), Singapore, 2018. [27] X. Yu, Y. Liu , X. Huang y A. An, «Mining Online Reviews for Predicting Sales Performance: A Case Study in the Movie Domain,» vol. 24, nº 4, pp. 720 - 734, 2010. [28] N. Buduma, Fundamentals of Deep Learning, First Edition ed., Sebastopol., CA 95472.: O'Reilly Media, Inc., 2017, pp. 1-37. [29] Y. Bengio, A. Courville y P. Vincent, «Representation Learning: A Review and New Perspectives,» IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, nº 8, pp. 1798-1828, Agosto 2013. [30] J. Schmidhuber, «Deep learning in neural networks: An overview,» Neural networks, vol. 61, pp. 85-117, 2015. [31] A. Graves, Supervised Sequence Labelling with Recurrent Neural Networks, vol. 385, New York: Springe, 2012. [32] F. Provost, T. Fawcett y R. Kohavi, «The Case against Accuracy Estimation for Comparing Induction Algorithms,» de Fiftteen Internacional Conference on Machine Learning (IMLC), Madison, Wi, 1998. [33] N. Chinchor, Ph.D, «MUC-4 EVALUATION METRICS,» de Fourth Message Uunderstanding Conference (MUC-4): Proceedings of a Conference Held in McLean, Virginia, June 16-18, 1992. [34] «scikit-learn, k-fold cross validation,» [En línea]. Available: http://scikit-learn.sourceforge.net/stable/modules/generated/sklearn.cross_validation.KFold.html. [Último acceso: 15 Jul 2020]. [35] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever y R. Salakhutdinov, «Dropout: A Simple Way to Prevent Neural Networks from,» Journal of Machine Learning Research, vol. 15, pp. 1929-1958, 2014. [36] Google, «tensorflow,» [En línea]. Available: https://www.tensorflow.org/guide/. [Último acceso: 17 Abril 2020]. [37] F. Chollet, «keras,» [En línea]. Available: https://keras.io/. [Último acceso: 17 04 2020]. [38] «https://www.python.org/,» [En línea]. [Último acceso: 15 Feb 2020]. [39] Google, «tensorflow keras,» [En línea]. Available: https://www.tensorflow.org/guide/keras/overview. [Último acceso: 10 Abril 2020]. [40] Google, «Google Colaboratory,» 25 May 2020. [En línea]. Available: https://colab.research.google.com/notebooks/intro.ipynb. |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería Electrónica |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/34933/1/2021juangranados.pdf https://repository.usta.edu.co/bitstream/11634/34933/3/Carta_autorizacion_autoarchivo.pdf https://repository.usta.edu.co/bitstream/11634/34933/4/Carta_aprobacion_Biblioteca.%20Granados%20Figueroa.pdf https://repository.usta.edu.co/bitstream/11634/34933/5/license.txt https://repository.usta.edu.co/bitstream/11634/34933/6/2021juangranados.pdf.jpg https://repository.usta.edu.co/bitstream/11634/34933/7/Carta_autorizacion_autoarchivo.pdf.jpg https://repository.usta.edu.co/bitstream/11634/34933/8/Carta_aprobacion_Biblioteca.%20Granados%20Figueroa.pdf.jpg |
| bitstream.checksum.fl_str_mv |
a898397d0c21871b8f8b6e6021221ee1 eae987fb7a4462b9af4ad3022ba35104 9a8732cbab95b9dcc3de8db6da9e22ef aedeaf396fcd827b537c73d23464fc27 d2121f61c3dfab30184b4d9f79bd5918 eeabf74f86b3cfc136ba4996e58114da 2a019c8f71eae69c7b7b21e6956ee792 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026386188271616 |
| spelling |
Amaya, Sindy PaolaGranados Figueroa, Juan Davidhttps://orcid.org/0000-0002-1714-1593https://scholar.google.es/citations?user=Gg2sofAAAAAJ&hl=eshttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000796425Universidad Santo Tomás2021-07-15T20:12:06Z2021-07-15T20:12:06Z2021-03-01Granados, Figueroa, J. D. (2021). Aplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas online. [Trabajo de pregrado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/34933reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coInternet ha permitido a millones de personas conectarse y generar interacciones, como en las redes sociales, lo que ha generado mucha información no estructurada, que es difícil de analizar por un grupo de seres humanos, debido a su gran cantidad. En este trabajo se aplican técnicas de Machine Learning para analizar la polaridad de sentimiento en lenguaje español, de los comentarios de usuarios de Twitter acerca de diversos temas. El análisis de polaridad de sentimiento permite analizar las tendencias de opinión de una forma rápida y automática, permitiendo a las empresas y organización tener información valiosa para la toma de decisiones. Se implementan Redes Neuronales Recurrentes, las cuales son uno de los métodos que mejores resultados muestran para el análisis de secuencias, mediante la aplicación de Deep Learning, el cual pertenece al campo del Machine Learning y que, además, evita la necesidad de realizar extracción de características, lo cual conllevaría una minuciosa selección por parte de expertos de lenguaje. Se utiliza Keras para programar el modelo con tensorflow, y se obtienen resultados de exactitud muy cercanos a los sistemas más avanzados en el estado del arte. El modelo es entrenado con un Dataset de 49.444 oraciones etiquetadas con positivo o negativo, en base al corpus de TASS.The Internet has allowed millions of people to connect and generate interactions, as in social networks, which has generated a lot of unstructured information, which is difficult for a group of human beings to analyze, due to its large amount. In this work, Machine Learning techniques are applied to analyze the polarity of sentiment in Spanish language, of the comments of Twitter users about various topics. Sentiment polarity analysis allows you to analyze opinion trends quickly and automatically, allowing companies and organizations to have valuable information for decision-making. Recurrent Neural Networks are implemented, which are one of the methods that show the best results for sequence analysis, through the application of Deep Learning, which belongs to the field of Machine Learning and which, in addition, avoids the need to perform extraction of characteristics, which would require careful selection by language experts. Keras is used to program the model with tensorflow, and accuracy results are obtained very close to the most advanced systems in the state of the art. The model is trained with a Dataset of 49,444 sentences labeled with positive or negative, based on the TASS corpusIngeniero Electronicohttp://unidadinvestigacion.usta.edu.coPregradoapplication/pdfspaUniversidad Santo TomásPregrado Ingeniería ElectrónicaFacultad de Ingeniería ElectrónicaAplicación de técnicas de Machine Learning para hacer análisis de polaridad de sentimientos en texto para detectar tendencias de opinión en plataformas onlineMachine LearningSentiment Polarity AnalysisRecurrent Neural NetworkInteligencia ArtificialProcesamiento Natural de LenguajeAprendizaje ProfundoProcesamiento Natural de LenguajeRedes Neuronales RecurrentesInteligencia ArtificialAprendizaje de MaquinaAprendizaje ProfundoAnálisis de Polaridad de SentimientoTrabajo de gradoinfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2CRAI-USTA Bogotá[1] V. Kharde y P. S. Sonawane, «Sentiment Analysis of Twitter Data: A Survey of Techniques,» International Journal of Computer Aplications, vol. 139(11), pp. 5-15, 2016.[2] M. Atique y . H. P. Patil , «Sentiment Analysis for Social Media: A Survey,» de 2nd International Conference on Information Science and Security (ICISS), Seoul, 2015.[3] Y. LeCun, Y. Bengio y G. Hinton, «Deep Learning,» NATURE, vol. 521, pp. 436-444, 2015.[4] I. Goodfellow, Y. Bengio y A. Courville, Deep Learning, MIT Press, 2016.[5] J. Chung, C. Gulcehre, K. Cho y Y. Bengio, «Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling,» de NIPS Deep Learning and Representation Learning Workshop, 2014.[6] E. Martínez-Cámara y J. Villena-Román, «TASS - Workshop on Sentiment Analysis at SEPLN,» Procesamiento del Lenguaje Natural, vol. 50, pp. 37-44, 2013.[7] L. Rosenberg y N. Pescetelli , «Artificial Swarm Intelligence Amplifies Accuracy when Predicting Financial Markets,» de IEEE Annual Ubiquitous Computing, Electronics and Mobile Communication Conference (UEMCON), New York City, 2017.[8] S. Al-Saqqa, H. Abdel-Nabi y A. Awajan, «A Survey of Textual Emotion Detection,» de 2018 8th International Conference on Computer Science and Information Technology (CSIT), Amman, Jordan, 2018.[9] H. S. Kisan, H. A. Kisan y A. P. Suresh , «Collective intelligence & sentimental analysis of twitter data by using StandfordNLP libraries with software as a service (SaaS),» de IEEE international Conference on Computational Intelligence and Computing Research (ICCIC), Chennai, 2016.[10] K. Zvarevashe y O. O. Olugbara , «A framework for sentiment analysis with opinion mining of hotel reviews,» de 2018 Conference on Information Communications Technology and Society (ICTAS), Durban, South Africa, 2018.[11] A. Salinca, «Business Reviews Classification Using Sentiment Analysis,» de 17th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing (SYNASC), Timisoara, Romania, 2015.[12] the sckit-learn comunity, «sckit-learn,» 2010. [En línea]. Available: https://scikit-learn.org/stable/index.html. [Último acceso: 10 May 2019].[13] H. Kaur, V. Mangat y Nidhi , «A survey of sentiment analysis techniques,» de International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), Palladam, India, 2017.[14] A. Patel y K. T. Arvind , «Sentiment Analysis by using Recurrent Neural Network,» de 2° Internacional conference on advanced computing software engineering (ICACSE-2019), 2019.[15] «IMBD Datasets,» [En línea]. Available: https://www.imdb.com/interfaces/. [Último acceso: 10 May 2020].[16] M. A. Paredes-Valverde, R. Colomo-Palacios, M. d. P. Salas-Zárate y R. Valencia-García, «Sentiment Analysis in Spanish for Improvement of Products and Services: A Deep Learning Approach,» Hindawi, Scientific Programming, vol. Volume 2017, 26 Oct 2017.[17] A. Radford, R. Jozefowicz y I. Sutskever, «Learning to Generate Reviews and Discovering Sentiment,» arVix preprint arXiv:1704.01444v2 [cs.LG], 6 Apr 2017.[18] J. ̃. Paulo Aires, C. Padilha, C. Quevedo y F. Meneguzzi, «A Deep Learning Approach to Classify Aspect-Level Sentiment using Small Datasets,» de International Joint Conference on Neuronal Networks (IJCNN), Rio de Janeiro, Brazil, 2018.[19] S. Chen, C. Peng y L. Cai, «A Deep Neural Network Model for Target-based Sentiment Analysis,» de International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brazil, 2018.[20] A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, G. Aidan N. , L. Kaiser y I. Polosukhin, «Attention Is All You Need,» arXiv preprint arXiv:1706.03762v5 [cs.CL], 6 Dec 2017.[21] «BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,» arVix preprint arXiv:1810.04805v2 [cs.CL], 24 May 2019.[22] Z. Yang, Z. Dai, Y. Yang, J. Carbonell, R. Salakhutdinov y Q. V. Le, «XLNet: Generalized Autoregressive Pretraining for Language Understanding,» arVix preprinted arXiv:1906.08237v2 [cs.CL], 2 Jan 2020.[23] T. B. Brown∗, B. Mann, N. Ryder∗ y M. Subbiah∗, «Language Models are Few-Shot Learners,» arVix preprint arXiv:2005.14165v4 [cs.CL], 22 Jul 2020.[24] L. You y B. Tuncer, «Exploring public sentiments for livable places based on a crowdcalibrated sentimet analysis mechanism,» de IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM), San Francisco, CA, 2016.[25] Q. Song, S. Almahdi y S. Y. Yang, «Entropy based measure sentiment analysis in the financial market,» de IEEE Symposium Series on Computational Intelligence (SSCI), Honolulu, Hl, 2017.[26] C. W. Park y D. R. Seo, «Sentiment analysis of Twitter corpus related to artificial intelligence assistants,» de 5th International Conference on Industrial Engineering and Applications (ICIEA), Singapore, 2018.[27] X. Yu, Y. Liu , X. Huang y A. An, «Mining Online Reviews for Predicting Sales Performance: A Case Study in the Movie Domain,» vol. 24, nº 4, pp. 720 - 734, 2010.[28] N. Buduma, Fundamentals of Deep Learning, First Edition ed., Sebastopol., CA 95472.: O'Reilly Media, Inc., 2017, pp. 1-37.[29] Y. Bengio, A. Courville y P. Vincent, «Representation Learning: A Review and New Perspectives,» IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, nº 8, pp. 1798-1828, Agosto 2013.[30] J. Schmidhuber, «Deep learning in neural networks: An overview,» Neural networks, vol. 61, pp. 85-117, 2015.[31] A. Graves, Supervised Sequence Labelling with Recurrent Neural Networks, vol. 385, New York: Springe, 2012.[32] F. Provost, T. Fawcett y R. Kohavi, «The Case against Accuracy Estimation for Comparing Induction Algorithms,» de Fiftteen Internacional Conference on Machine Learning (IMLC), Madison, Wi, 1998.[33] N. Chinchor, Ph.D, «MUC-4 EVALUATION METRICS,» de Fourth Message Uunderstanding Conference (MUC-4): Proceedings of a Conference Held in McLean, Virginia, June 16-18, 1992.[34] «scikit-learn, k-fold cross validation,» [En línea]. Available: http://scikit-learn.sourceforge.net/stable/modules/generated/sklearn.cross_validation.KFold.html. [Último acceso: 15 Jul 2020].[35] N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever y R. Salakhutdinov, «Dropout: A Simple Way to Prevent Neural Networks from,» Journal of Machine Learning Research, vol. 15, pp. 1929-1958, 2014.[36] Google, «tensorflow,» [En línea]. Available: https://www.tensorflow.org/guide/. [Último acceso: 17 Abril 2020].[37] F. Chollet, «keras,» [En línea]. Available: https://keras.io/. [Último acceso: 17 04 2020].[38] «https://www.python.org/,» [En línea]. [Último acceso: 15 Feb 2020].[39] Google, «tensorflow keras,» [En línea]. Available: https://www.tensorflow.org/guide/keras/overview. [Último acceso: 10 Abril 2020].[40] Google, «Google Colaboratory,» 25 May 2020. [En línea]. Available: https://colab.research.google.com/notebooks/intro.ipynb.ORIGINAL2021juangranados.pdf2021juangranados.pdfDocumentoapplication/pdf1134176https://repository.usta.edu.co/bitstream/11634/34933/1/2021juangranados.pdfa898397d0c21871b8f8b6e6021221ee1MD51open accessCarta_autorizacion_autoarchivo.pdfCarta_autorizacion_autoarchivo.pdfCarta Autorizaciónapplication/pdf477738https://repository.usta.edu.co/bitstream/11634/34933/3/Carta_autorizacion_autoarchivo.pdfeae987fb7a4462b9af4ad3022ba35104MD53metadata only accessCarta_aprobacion_Biblioteca. Granados Figueroa.pdfCarta_aprobacion_Biblioteca. Granados Figueroa.pdfCarta Aprobación Facultadapplication/pdf173519https://repository.usta.edu.co/bitstream/11634/34933/4/Carta_aprobacion_Biblioteca.%20Granados%20Figueroa.pdf9a8732cbab95b9dcc3de8db6da9e22efMD54metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/34933/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2021juangranados.pdf.jpg2021juangranados.pdf.jpgIM Thumbnailimage/jpeg5364https://repository.usta.edu.co/bitstream/11634/34933/6/2021juangranados.pdf.jpgd2121f61c3dfab30184b4d9f79bd5918MD56open accessCarta_autorizacion_autoarchivo.pdf.jpgCarta_autorizacion_autoarchivo.pdf.jpgIM Thumbnailimage/jpeg7540https://repository.usta.edu.co/bitstream/11634/34933/7/Carta_autorizacion_autoarchivo.pdf.jpgeeabf74f86b3cfc136ba4996e58114daMD57open accessCarta_aprobacion_Biblioteca. Granados Figueroa.pdf.jpgCarta_aprobacion_Biblioteca. Granados Figueroa.pdf.jpgIM Thumbnailimage/jpeg6217https://repository.usta.edu.co/bitstream/11634/34933/8/Carta_aprobacion_Biblioteca.%20Granados%20Figueroa.pdf.jpg2a019c8f71eae69c7b7b21e6956ee792MD58open access11634/34933oai:repository.usta.edu.co:11634/349332022-12-29 03:16:32.503open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |