=Paper=
{{Paper
|id=Vol-1797/paper5
|storemode=property
|title=Efectos de la Negación, Modificadores, Jergas, Abreviaturas y Emoticonos en el Análisis de Sentimiento
|pdfUrl=https://ceur-ws.org/Vol-1797/paper5.pdf
|volume=Vol-1797
|authors=Mario Amores,Leticia Arco,Abel Barrera
|dblpUrl=https://dblp.org/rec/conf/iwsw/AmoresAB16
}}
==Efectos de la Negación, Modificadores, Jergas, Abreviaturas y Emoticonos en el Análisis de Sentimiento==
https://ceur-ws.org/Vol-1797/paper5.pdf
Efectos de la Negación, Modificadores, Jergas,
Abreviaturas y Emoticonos en el Análisis de
Sentimiento
Mario Amores, Leticia Arco, Abel Barrera
Departamento de Ciencia de la Computación, Universidad Central “Marta Abreu” de
Las Villas, Carretera a Camajuanı́ Km 5 1/2 Santa Clara, Villa Clara, Cuba
marioamores89@gmail.com, leticiaa@uclv.edu.cu
Resumen Algunos problemas presentes en el tratamiento de opiniones
son: el uso de lenguaje informal, irónico y sarcástico, las abreviaturas, los
errores ortográficos y tipográficos, la semántica composicional, el nivel
cultural y conocimiento del lenguaje. Estos problemas imponen mayor
dificultad a la minerı́a de opiniones respecto a la minerı́a de textos en
general. Por tanto, el objetivo de nuestra investigación es desarrollar solu-
ciones computacionales que permitan resolver varios de estos problemas,
contribuyendo a un mejor procesamiento de las opiniones y consecuen-
temente mayor efectividad en el cálculo de la polaridad. Como resultado
de esta investigación se desarrollaron recursos para el manejo de jergas,
emoticonos, palabras modificadoras y negaciones. Estos recursos son apli-
cables en cualquier sistema para minar opiniones en Inglés y Español. El
estudio experimental a partir de la aplicación de los recursos propuestos
arrojó valores de exactitud y F1 superiores a los obtenidos al calcular la
polaridad sin incorporar dichos recursos.
Palabras Claves: Minerı́a de opinión, Recursos léxicos, Negación, Emo-
ticonos
Abstract Some problems present in the treatment of opinions are: the
use of informal, ironic and sarcastic language, abbreviations, orthograp-
hic and typographic mistakes, semantic compositionality, the cultural
level and knowledge of language. These problems impose greater diffi-
culty on opinion mining than on text mining in general. Therefore, the
aim of our research is to develop computational solutions to solve some
of these problems, contributing to improve the processing of opinions
and consequently to obtain more effective polarity detection. As a re-
sult of this research some resources were developed to manage jargons,
emoticons, valence shifters and negations. These resources are applicable
in any opinion mining system that requires them for mining opinions in
Spanish or English. The experimental study from the application of the
proposed resources showed values of accuracy and F1 higher than those
obtained by calculating the polarity without incorporating those resour-
ces.
Keywords: Opinion Mining, Lexical Resources, Negation, Emoticons
44
1 Introducción
Las personas al prepararse para tomar alguna decisión siempre tienen en
cuenta, además de su propia experiencia, lo que otras personas puedan aportar,
por lo que las opiniones son una parte importante en la vida de los seres humanos.
La creciente popularidad de sitios ricos en opiniones abre nuevas oportunidades
y retos al poderse usar diferentes técnicas para entender y extraer las opiniones
de otros.
Las opiniones son los estados subjetivos que reflejan los sentimientos y la
percepción de una persona sobre un suceso o un objeto [10]. Según Liu [13], una
opinión es una emoción sobre una entidad o un aspecto de la entidad expresa-
da por un usuario. El sentimiento asociado a una opinión puede ser positivo,
negativo o neutro, o expresarse con distinta fuerza o niveles de intensidad.
Con la llegada de la web 2.0, enormes volúmenes de textos con opiniones
están disponibles. Para extraer el sentimiento acerca de un objeto, producto o
servicio de esta enorme red, se necesitan sistemas de minerı́a de opinión auto-
matizados. El procesamiento automático de opiniones no es una tarea sencilla.
Algunos de los problemas presentes en el tratamiento de las opiniones son: el uso
de lenguaje informal, las abreviaturas, los errores ortográficos y tipográficos, el
lenguaje irónico y sarcástico, la semántica composicional, el nivel de conocimien-
to del lenguaje, el nivel cultural, entre otros. Estos problemas, en comparación
con el procesamiento de documentos en otras tareas de la minerı́a de textos,
imponen una mayor dificultad a la minerı́a de opiniones. Por tanto, el objetivo
de nuestra investigación es desarrollar soluciones computacionales que permitan
resolver varias de las problemáticas existentes en las opiniones, contribuyendo
a un mejor procesamiento de las mismas y consecuentemente mayor efectividad
en el cálculo de la polaridad.
2 Recursos para manejar problemas presentes en las
opiniones
Algunos de los problemas presentes en las opiniones se pueden manejar con
la minerı́a de opinión basada en aspectos y entidades; por ejemplo, identificar
las entidades y aspectos y los valores de polaridad asociados a cada uno de ellos,
o analizar aquellos textos que contienen otra entidad para referirse a una enti-
dad [13]. Otros problemas requieren realizar análisis sintáctico y desambiguación
semántica en aquellos casos donde sea necesario identificar la polaridad de las
palabras dependiendo del contexto y de la etiqueta POS (Part Of Speech) [13].
El manejo de algunos problemas requiere la aplicación de técnicas de minerı́a
de opinión dependientes del dominio, por ejemplo, para manejar aquellos térmi-
nos que en determinado dominio son considerados positivos y en otros pueden
ser considerados negativos. El manejo de estos problemas no es objetivo de este
trabajo, ya que requieren la aplicación de técnicas muy especı́ficas del proce-
samiento del lenguaje natural, desambiguación semántica y minerı́a de opinión
basada en aspectos embebidas en el sistema de minerı́a de opinión que se diseñe.
45
En este epı́grafe presentaremos recursos generales para manejar la negación, las
palabras modificadoras, las jergas, las abreviaturas y los emoticonos, con inde-
pendencia del sistema de minerı́a de opinión que se desee aplicar a la colección
de opiniones.
2.1 Manejo de la negación
El tratamiento de la negación es un problema abierto dentro del procesa-
miento del lenguaje natural, y la minerı́a de opinión en particular. Son muy
abundantes las opiniones negativas expresadas con términos positivos negados y
viceversa [9].
La negación es un elemento linguı́stico muy particular de cada lengua, por
lo que para un tratamiento efectivo se debe realizar un estudio pormenorizado
de los distintos elementos lingüı́sticos que intervienen en el proceso de negación
de un enunciado. La investigación existente sobre la influencia de la negación es
escasa, no estudia en profundidad estos aspectos lingüı́sticos y se centra casi en
exclusividad en textos escritos en Inglés [21], aunque existen algunas propuestas
para otros idiomas.
Las primeras para manejar las negaciones comenzaron en el año 2001 [6,16,17,11,22].
Entre los trabajos más recientes cabe destacar el sistema basado en reglas pro-
puesto en [8]. En [18] marcan como negadas todas aquellas palabras que se
encuentren después de una partı́cula negativa hasta llegar a un signo de puntua-
ción, un conector o ciertas palabras pertenecientes a una determinada categorı́a
gramatical, e introducen una nueva forma de tratar la negación que consiste en
reducir el valor de polaridad de las palabras negadas en lugar de invertirlo. En [7]
se presenta un sistema para el tratamiento de la negación y de la especulación,
y el primer corpus de opiniones etiquetado a nivel de negación y especulación
[12]. El primer trabajo que conocemos para el Español es el propuesto en [4] que
consiste en la adaptación al Español del sistema SO-CAL [19]. En [20] mane-
jan la negación teniendo en cuenta la estructura sintáctica del texto, obteniendo
ası́ mejores resultados que los sistemas puramente léxicos.
Nuestra propuesta para manejar la negación se basa en la unión de varios de
los enfoques antes descritos. Primeramente tomamos las reglas presentadas en
[15] para la negación en el idioma Inglés y las modificamos descartando aquellos
términos que no aportan en el cálculo de la polaridad y que pudieran ser elimi-
nados en una aplicación de minerı́a de opinión en la etapa de preprocesamiento.
El rango de la negación está definido por las reglas. Por ejemplo, dada la oración
“I don’t like this laptop” la rama de la regla que se muestra en la Fig. 1 se aplica
como se explicará a continuación. Cuando se detecta el verbo “do” seguido del
término “not” se activa el árbol de reglas para el término “not”. El siguiente
término que aparece en la oración es un verbo, por tanto, se recorre el árbol
buscando esta entrada. Si aparece la entrada, como es el caso de este ejemplo
que se muestra en la rama derecha que sale del término “not” en la Fig. 1, la
polaridad de este término también se niega. A continuación, el próximo término
a analizar es un sustantivo, por tanto, se busca en la rama del árbol esta entrada,
como no existe, se termina la negación. De manera general, la activación de una
46
regla consiste en identificar la regla a aplicar y para cada término buscar su clase
gramatical e ir moviéndose por las ramas de la regla identificada. Cada término
con la clase gramatical de la ramificación correspondiente será negado. Negar un
término consiste en consultar su polaridad e invertirla.
Figura 1. Rama de la regla de negación para el término “not”.
Estas reglas están creadas para los términos “not”, “never” y “no” del idio-
ma Inglés. Para el idioma Español adaptamos las reglas descritas en [20] para
los términos “no”, “nunca” y “sin”. Las reglas solamente involucran los tres
términos más utilizados para negar (not, never y no); sin embargo, existen otros
términos que expresan negación, de ahı́ la necesidad de utilizar otros enfoques
para manejar la negación. Por ello, se crearon listas de palabras negadoras en
ambos idiomas a partir de diversas listas ya publicadas. El rango de negación
que consideramos para estas palabras se obtuvo a través de la experimentación
con rangos de uno, dos y tres términos después de la palabra negadora, siendo
el de mejores resultados el rango que considera negar los próximos dos términos.
También se tuvo en cuenta el uso de sufijos y prefijos para ambos idiomas, un
ejemplo para el Inglés lo constituye el prefijo dis- (dislike) y para el Español el
prefijo in- (incomible). Para evitar que el análisis de los prefijos y sufijos produ-
jera falsos positivos, se tuvo en cuenta que el término modificado tuviera un alto
valor de polaridad positiva. En todos los casos la negación se trata invirtiendo
los valores de polaridad de cada término negado.
La aplicación de nuestra propuesta para manejar la negación considera el uso
de uno u otro enfoque dependiendo del término que se presente en el procesa-
miento textual. Por ejemplo, si aparece la palabra “no” directamente se activa
el enfoque basado en reglas, si el término a analizar presenta un prefijo que ex-
presa negación entonces seguimos el enfoque basado en prefijos y si aparece otro
término que expresa negación y que no es manejado desde las reglas, entonces
se consulta la lista de palabras negadoras.
2.2 Manejo de las palabras modificadoras
Las palabras modificadoras son aquellas que pueden incrementar, reducir o
cambiar la polaridad de otro término dentro de la oración. Especial atención tie-
nen las palabras intensificadoras las cuales aumentan la fuerza de otros términos
y las atenuadoras que reducen la fuerza de otros términos.
47
En gramática, un intensificador es una palabra que hace hincapié en otra pa-
labra o frase. También conocido como un refuerzo o un amplificador. Por ejemplo,
algo no sólo es bueno, sino muy bueno, o incluso, terriblemente bueno. Los adje-
tivos intensificadores modifican a los sustantivos; los adverbios de intensificación
modifican comúnmente verbos, adjetivos graduables, y otros adverbios.
Hasta cierto punto, un intensificador actúa como una señal: anuncia que
la siguiente palabra que se lleva a cabo debe ser entendida como insuficiente.
Algunos ejemplos de palabras intensificadoras en el idioma Inglés aparecen en las
siguientes oraciones: “The woodwind has a slightly greater scope than the violin”,
“A really good detective never gets married” y “Maggy knew that something
surpassingly important had happened to him”.
Otras palabras modificadoras son las palabras atenuadoras, como por ejem-
plo, el término “less” en Inglés o “poco” en Español. Los atenuadores (también
mitigadores) han sido descriptos como elementos que se utilizan para mitigar
o relativizar el impacto de las afirmaciones, en una estrategia propia de la cor-
tesı́a [5]. Se dice también que “desactivan” la fuerza elocutiva de un acto [14].
Pragmáticamente, la atenuación sirve para regular la relación interpersonal y
social entre interlocutores.
Los diversos autores que estudian en forma sistemática este tipo de fenóme-
nos se refieren alternativamente a estrategias, recursos, operadores, formas o
estructuras de atenuación [19]. Desde el punto de vista semántico-pragmático,
la atenuación se opone a la intensificación. En ambos casos los recursos pue-
den corresponder a ámbitos categoriales diferentes, como adverbios, adjetivos y
frases.
Para tratar estas palabras modificadoras, como resultado de esta investiga-
ción, se construyeron dos listas (una para el idioma Inglés y otra para el Español)
de términos intensificadores y atenuadores a partir de las consultas manuales a
diccionarios, análisis de listas de palabras modificadoras ya existentes y consultas
a expertos lingüistas. Como estas palabras pueden influir tanto en los términos
precedentes como en los posteriores, se les agregó a cada uno una etiqueta para
identificar donde ejercı́a éste su influencia. El formato consiste en la frase o el
término modificador seguido de un valor entero en el dominio {1, 2}, donde uno
significada que es una palabra intensificadora y dos que es una palabra atenua-
dora. A continuación aparece un segundo valor entero en el dominio {1, 2, 3}
que señala a qué término afecta siendo uno el término antecesor, dos el sucesor
y tres para ambos casos. Un fragmento de una lista de palabras modificadoras
en Inglés se muestra en la Fig. 2. Sugerimos que aquellos sistemas que utilicen
nuestra propuesta para el manejo de palabras modificadoras de la polaridad, le
agreguen uno al valor de polaridad predominante del término predecesor o suce-
sor según sea la etiqueta que porte la palabra intensificadora, y reduzcan en un
50 % el valor de polaridad predominante del término predecesor o sucesor en el
caso de las palabras atenuadoras. Por tanto, ante la presencia de intensificadores
le asignamos a las palabras modificadas el mayor valor de polaridad, mientras
que a aquellas modificadas por atenuadoras lo que se pretende es reducir su va-
48
lor de polaridad de forma tal que si era medianamente fuerte, será débil y si era
fuerte, será medianamente fuerte.
Figura 2. Fragmento de lista de palabras modificadoras.
2.3 Manejo de jergas, abreviaturas y emoticonos
Las jergas de internet son una variedad de lenguajes cotidianos y abrevia-
ciones en la escritura utilizadas por las diferentes comunidades en el ámbito de
Internet [23]. Esos nuevos términos o formas de escritura a menudo se han ori-
ginado con el propósito de abreviar pulsaciones de teclado, sobre todo por la
dificultad y/o rapidez que a veces trae aparejado el uso de algunos dispositivos
portátiles. Muchas personas utilizan las mismas abreviaturas en los mensajes
de textos y en la mensajerı́a instantánea, ası́ como en las redes sociales [6]. Por
ejemplo “u” para “you”, “cam” para “camera”, “pic” para “picture”, “f9” para
“fine”, “b4” para “before”, “gud” para “good”, etc.
De igual forma, los acrónimos, sı́mbolos del teclado, y abreviaturas, también
son de uso frecuente y más o menos normalizado, y por tanto, integran lo que
puede llamarse jerga de Internet. Por ejemplo “gr8” es una palabra del argot
usado para “great”, “5n” o “fyn” para “fine”. Estas palabras no son una parte
de los diccionarios tradicionales, pero se encuentran ampliamente en los textos
en lı́nea. Si estas jergas se pueden asignar a las palabras originales, los resultados
de rendimiento de los analizadores de los sentimientos pueden ser mejorados.
Otro elemento que encontramos dentro de las jergas de internet son los emoti-
conos (emoticon) que son una secuencia de caracteres ASCII que, en un principio,
representaba una cara humana y expresaba una emoción. Posteriormente, fueron
creándose otros emoticonos con significados muy diversos.
Existen varias listas que incluyen jergas y emoticonos; sin embargo, cada
una adolece de términos que presentan otras, sobre todo debido a la velocidad
y dinámica con que surgen nuevos emoticonos y jergas. De ahı́ que para tra-
tar con estos dos temas creamos dos listas, una para las jergas, y otra para los
emoticonos, construidas a partir de varias listas previamente publicadas1 . Cada
emoticón o jerga tiene asignados sus correspondientes valores de polaridad posi-
tiva y negativa. Para obtener estos valores de polaridad de las jergas utilizamos
1
www.netlingo.com, www.noslang.com, es.wikipedia.org/wiki/Anexo:Emoticonos
49
su correspondiente significado en el idioma y sumamos los valores de polaridad
de sus términos. Los valores de polaridad de los términos pueden obtenerse a
partir de listas2 o recursos léxicos como por ejemplo SentiWordNet [3] o Pos-
Neg Lexicon [1,2]. En la Fig. 3 se muestra un fragmento de la lista de jergas y
los valores de polaridad positiva y negativa asignados. Para los emoticonos es
similar, solo que se le asigna a cada emoticón el valor de polaridad de la emo-
ción que expresan. En ambos casos se sugiere que los valores de polaridad sean
agregados al valor final de toda la opinión, pues estos elementos la mayorı́a de
las veces no afectan directamente a un término sino al contexto en general.
Figura 3. Fragmento de lista de jergas y los valores de polaridad asignados.
Nuestra propuesta sugiere que después de cargar el corpus textual es nece-
sario localizar los emoticonos y las jergas para pre-procesarlos y determinar su
influencia en el cálculo de la polaridad. Este es un paso que distingue la minerı́a
de opinión de otros enfoques de minerı́a de textos donde en la etapa de pre-
procesamiento son eliminados inicialmente los emoticonos y las jergas. Después
de calcular los valores de polaridad asociados a las jergas y los emoticonos, estos
deben ser eliminados, ya que no aparecerán directamente en los recursos léxicos
a consultar, en el caso que estemos usando un enfoque no supervisado basado
en recursos léxicos. El análisis de las palabras intensificadoras y atenuadoras
debe realizarse cuando estemos asignando los valores de polaridad a los térmi-
nos, al concluir este proceso es posible aplicar la estrategia hı́brida definida para
manejar la negación.
3 Evaluación de los recursos desarrollados
En este epı́grafe se desea mostrar las potencialidades que ofrecen los recur-
sos desarrollados para el manejo de jergas, emoticonos, negaciones y el uso de
palabras modificadoras en el cálculo de la polaridad de las opiniones. Para ello,
utilizamos el sistema PosNeg Opinion que permite detectar la polaridad de opi-
niones en Español y en Inglés siguiendo un esquema general que consta de seis
etapas para el cálculo de la polaridad [1]. Ya seleccionado el sistema a utilizar, fue
necesario conformar tres casos de estudios que permitan ilustrar la efectividad
de nuestra propuesta. Los dos primeros están conformados por subconjuntos de
opiniones del corpus Amazon3 y el tercero coincide con el corpus Sentiment1404 .
2
http://www.cs.uic.edu/~liub/FBS/sentiment-analysis.html
3
http://times.cs.uiuc.edu/~wang296/Data/
4
http://cs.stanford.edu/people/alecmgo/trainingandtestdata.zip
50
El corpus Amazon contiene comentarios sobre seis productos (cámaras, teléfo-
nos móviles, TV, laptop, tablet y sistemas de video vigilancia) en Amazon.com.
Cada producto contiene los siguientes atributos: ID del producto (único), nom-
bre, caracterı́sticas del producto, precio y el URL de la imagen. Cada comenta-
rio también contiene además los siguientes atributos: ID del comentario (único),
autor, tı́tulo, contenido, puntuación global y fecha. La puntuación global es brin-
dada por el usuario quien le da una puntuación de cero a cinco estrellas, para
este trabajo solo tomamos las puntuaciones de cero a dos como negativas, de
cuatro a cinco como positivas, dejando fuera las puntuaciones de tres estrellas
pues éstas muestran indecisión de los usuarios al clasificar sus opiniones, lo cual
no asegura que sea una clasificación confiable. El otro corpus utilizado es Sen-
timent140 que incluye 800 000 tweets que contienen emoticonos positivos y 800
000 tweets que incluyen emoticonos negativos, aquellos mensajes que contenı́an
ambos no fueron tomados en cuenta.
El cálculo de la polaridad de las opiniones puede ser analizado como un
proceso de clasificación, donde se determina si la opinión pertenece a la clase
positiva o negativa. Las medidas para evaluar el desempeño de los clasificadores
pueden ser utilizadas para evaluar la calidad de la detección de la polaridad de
las opiniones. Las medidas de evaluación utilizadas en la experimentación son:
Exactitud (Accuracy; Ac) que calcula la proporción del número total de predic-
ciones correctas; la Razón de Verdaderos Positivos (True Positive Rate; TPR)
o Recall que calcula la proporción de casos positivos que fueron correctamente
identificados; la Razón de Falsos Positivos (False Positive Rate; FPR) que cal-
cula la proporción de casos negativos que han sido incorrectamente clasificados;
la Razón de Verdaderos Negativos (True Negative Rate; TNR) que calcula la
proporción de casos negativos que han sido correctamente clasificados; la Razón
de Falsos Negativos (False Negative Rate; FNR) que calcula la proporción de ca-
sos positivos que fueron incorrectamente clasificados; la Precisión (Precision; P)
que calcula la proporción de casos predichos positivos que fueron correctos y la
medida-F (F-measure) que determina un valor único ponderado de la precisión
y la exactitud.
Para verificar el impacto que tienen las palabras intensificadoras y atenua-
doras en la clasificación de la polaridad tomamos del corpus Amazon aquellas
opiniones que contuviesen dichas palabras quedando ası́ una colección de 99 148
opiniones negativas y 645 678 opiniones positivas. En la Tabla 1 se muestra como
al realizar el análisis de dichas palabras se logran mejores medidas de Precisión,
Recall, Exactitud y F1, respecto al procesamiento omitiendo dichas palabras.
Tabla 1. Impacto de las palabras intensificadoras y atenuadoras.
PosNeg Opinion Precisión Recall Exactitud F1
Sin intensificadores y atenuadores 89 % 83 % 82 % 86 %
Con intensificadores y atenuadores 92 % 87 % 83 % 90 %
51
Para mostrar el impacto que tiene la negación en la clasificación de la po-
laridad utilizamos del corpus Amazon aquellas opiniones que utilizan palabras
negadoras quedando ası́ una colección de 65 578 opiniones negativas y 225 758
opiniones positivas. En la Tabla 2 se muestra como al realizar el análisis de la
negación se logran mejores medidas de Precisión, Recall, Exactitud y F1.
Tabla 2. Impacto del manejo de las negaciones en la detección de la polaridad.
PosNeg Opinion Precisión Recall Exactitud F1 TPR FPR TNR FNR
Sin negación 88 % 86 % 80 % 87 % 86 % 51 % 49 % 14 %
Con negación 90 % 88 % 83 % 89 % 88 % 42 % 58 % 12 %
También es posible notar en la Tabla 2 que al realizar este análisis se logra
una mayor proporción de casos positivos y negativos que fueron correctamente
identificados (TPR y TNR) y una disminución de la proporción de casos nega-
tivos que han sido incorrectamente clasificados como positivos (FPR), ası́ como
una disminución de casos positivos que han sido incorrectamente clasificados
como negativos (FNR).
Para verificar el impacto que tienen los emoticonos en la clasificación de la
polaridad tomamos el corpus Sentiment140 ya que parte de éste fue construido
a partir de la búsqueda de diferentes emoticonos. En la Tabla 3 se muestra como
al realizar el análisis de este corpus se obtienen mejores resultados de Precisión,
Recall, Exactitud y F1 al incluir el análisis de los emoticonos.
Tabla 3. Impacto del manejo de los emoticonos en la detección de la polaridad.
PosNeg Opinion Precisión Recall Exactitud F1
Sin emoticonos 83 % 90 % 77 % 86 %
Con emoticonos 88 % 92 % 83 % 90 %
Para el análisis del impacto de las jergas también utilizamos el corpus Senti-
ment140 ya que este se encuentra construido sobre la red social Twitter donde es
común la utilización de estos elementos. En la Tabla 4 se muestra cómo realizar
el análisis de las jergas ayuda a la obtención de mejores resultados de Precisión,
Exactitud y F1, y el valor de Recall se mantiene. El manejo de las jergas es
complejo, ya que la jerga en sı́ puede generar otros de los problemas presentes
en las opiniones.
Tabla 4. Impacto del manejo de las jergas en la detección de la polaridad.
PosNeg Opinion Precisión Recall Exactitud F1
Sin jergas 83 % 90 % 77 % 86 %
Con jergas 87 % 90 % 80 % 88 %
52
4 Conclusiones y recomendaciones
Como resultado de esta investigación se desarrollaron recursos para tratar
algunos problemas presentes en las opiniones. Estos recursos son aplicables en
cualquier sistema para la detección de la polaridad de las opiniones en Inglés y
Español, incluso, no solo para detectar la polaridad, sino para otras tareas de
la minerı́a de opinión que ası́ lo requieran. Estos recursos fueron incorporados
al sistema PosNeg Opinion 3.0 [1] para ilustrar las ventajas que ofrecen estos
recursos en el cálculo de la polaridad de las opiniones de manera no supervisada.
Al incorporar el manejo de jergas, emoticonos, palabras modificadoras y nega-
ciones a PosNeg Opinion se obtuvieron valores promedios de 82 % de exactitud y
89 % de F1, superándose de esta forma los valores de calidad de la detección de
la polaridad de las opiniones que ofrecı́a PosNeg Opinion antes de incorporarle
estos recursos. De esta forma se mostró el impacto positivo que tiene el manejo
de las palabras modificadoras, las negaciones, los emoticonos y las jergas en el
cálculo de la polaridad mediante el uso de los recursos diseñados como resultado
de esta investigación a tales efectos. Se recomienda continuar actualizando los
recursos desarrollados a partir de la retroalimentación de los resultados de la
experimentación y proponer soluciones para otros problemas como el sarcasmo
y la ironı́a.
Referencias
1. Amores, M.: Detección de la polaridad de las opiniones basada en nuevos recur-
sos léxicos. Master en ciencia de la computación, Universidad Central ”Marta
Abreu”de Las Villas (2016)
2. Amores, M., Arco, L., Borroto, C.: Unsupervised Opinion Polarity Detection based
on New Lexical Resources. Computación y Sistemas 20(2) (2016)
3. Baccianella, S., Esuli, A., Sebastiani, F.: SentiWordNet 3.0: An Enhanced Lexical
Resource for Sentiment Analysis and Opinion Mining. In: LREC. vol. 10, pp. 2200–
2204 (2010)
4. Brooke, J., Tofiloski, M., Taboada, M.: Cross-Linguistic Sentiment Analysis: From
English to Spanish. In: RANLP. pp. 50–54 (2009)
5. Caffi, C.: On mitigation. Journal of pragmatics 31(7), 881–909 (1999)
6. Das, S., Chen, M.: Yahoo! for amazon: Extracting market sentiment from stock
message boards. In: Proceedings of the Asia Pacific finance association annual
conference (APFA). vol. 35, p. 43. Bangkok, Thailand (2001)
7. Dı́az, N.P.C.: Detección de la Negación y la Especulación en Textos Médicos y de
Opinión. Phd, Universidad de Huelva (2014)
8. Jia, L., Yu, C., Meng, W.: The effect of negation on sentiment analysis and retrieval
effectiveness. In: Proceedings of the 18th ACM conference on Information and
knowledge management. pp. 1827–1830. ACM (2009)
9. Jiménez Zafra, S.M., Martı́nez Cámara, E., Martı́n Valdivia, M.T., Molina
González, M.D.: Tratamiento de la negación en el análisis de opiniones en español.
Procesamiento del Lenguaje Natural (54), 37–44 (2015)
10. Kaur, A., Duhan, N.: A survey on sentiment analysis and opinion mining. Inter-
national Journal of Innovations & Advancement in Computer Science IJIACS 4
(2015)
53
11. Kennedy, A., Inkpen, D.: Sentiment classification of movie reviews using contextual
valence shifters. Computational intelligence 22(2), 110–125 (2006)
12. Konstantinova, N., De Sousa, S.C.M., Dı́az, N.P.C., López, M.J.M., Taboada, M.,
Mitkov, R.: A review corpus annotated for negation, speculation and their scope.
In: LREC. pp. 3190–3195 (2012)
13. Liu, B.: Sentiment analysis and opinion mining. Synthesis lectures on human lan-
guage technologies 5(1), 1–167 (2012)
14. Mallarino, M.d.R.U.: Los marcadores del discurso y la cortesı́a verbal en español.
Tintas. Quaderni di Letterature iberiche e iberoamericane (1), 300–303 (2012)
15. Na, J.C., Khoo, C., Wu, P.H.J.: Use of negation phrases in automatic sentiment
classification of product reviews. Library Collections, Acquisitions, and Technical
Services 29(2), 180–191 (2005)
16. Pang, B., Lee, L., Vaithyanathan, S.: Thumbs up?: sentiment classification using
machine learning techniques. In: Proceedings of the ACL-02 conference on Empiri-
cal methods in natural language processing-Volume 10. pp. 79–86. Association for
Computational Linguistics (2002)
17. Polanyi, L., Zaenen, A.: Contextual valence shifters. In: Computing attitude and
affect in text: Theory and applications, pp. 1–10. Springer (2006)
18. Taboada, M., Brooke, J., Tofiloski, M., Voll, K., Stede, M.: Lexicon-based methods
for sentiment analysis. Computational linguistics 37(2), 267–307 (2011)
19. Taboada, M., Voll, K., Brooke, J.: Extracting sentiment as a function of discourse
structure and topicality. Simon Fraser Univeristy School of Computing Science
Technical Report (2008)
20. Vilares, D., Alonso, M.A., Gómez-Rodrı́guez, C.: Clasificación de polaridad en
textos con opiniones en español mediante análisis sintáctico de dependencias. Pro-
cesamiento del lenguaje natural 50, 13–20 (2013)
21. Wiegand, M., Balahur, A., Roth, B., Klakow, D., Montoyo, A.: A survey on the
role of negation in sentiment analysis. In: Proceedings of the workshop on nega-
tion and speculation in natural language processing. pp. 60–68. Association for
Computational Linguistics (2010)
22. Wilson, T., Wiebe, J., Hoffmann, P.: Recognizing contextual polarity in phrase-
level sentiment analysis. In: Proceedings of the conference on human language
technology and empirical methods in natural language processing. pp. 347–354.
Association for Computational Linguistics (2005)
23. Yin, Y.: World Wide Web and the Formation of the Chinese and English “Internet
Slang Union”. Computer-Assisted Foreign Language Education 1 (2006)