=Paper=
{{Paper
|id=Vol-1896/p5_lexfar_tass2017
|storemode=property
|title=LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
(LexFAR at TASS 2017: Lexicon-based Sentiment Analysis in Twitter)
|pdfUrl=https://ceur-ws.org/Vol-1896/p5_lexfar_tass2017.pdf
|volume=Vol-1896
|authors=José A. Reyes-Ortiz,Fabián Paniagua-Reyes,Belém Priego,Mireya Tovar
}}
==LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
(LexFAR at TASS 2017: Lexicon-based Sentiment Analysis in Twitter)==
https://ceur-ws.org/Vol-1896/p5_lexfar_tass2017.pdf
TASS 2017: Workshop on Semantic Analysis at SEPLN, septiembre 2017, págs. 51-57
LexFAR en la competencia TASS 2017: Análisis de sentimientos
en Twitter basado en lexicones
LexFAR at TASS 2017: Lexicon-based sentiment analysis in Twitter
José A. Reyes-Ortiz1, Fabián Paniagua-Reyes1, Belém Priego1, Mireya Tovar2
1
Universidad Autónoma Metropolitana, Departamento de Sistemas
Azcapotzalco, México
2
Benemérita Universidad Autónoma de Puebla, Facultad de Ciencias de la Computación
Puebla, México
{jaro, al2112002241,abps}@azc.uam.mx, mtovar@cs.buap.mx
Resumen: Este artículo describe el sistema para el análisis de sentimientos en Twitter a
nivel de un mensaje sometido a la tarea 1 del TASS 2017: Taller sobre Análisis
Semántico en SEPLN, desarrollado por el equipo de investigación de la Universidad
Autónoma Metropolitana, unidad Azcapotzalco en colaboración con la Benemérita
Universidad Autónoma de Puebla. El sistema propuesto utiliza aprendizaje automático, el
algoritmo de máquinas de soporte vectorial y lexicones de polaridades semánticas a nivel
de lemas para el español. Las características extraídas de los lexicones son representadas
mediante el modelo de bolsa de palabras y son ponderadas utilizando la frecuencia de los
términos, la cual expresa la ocurrencia del lema en cada tweet. La experimentación
muestra resultados prometedores con el uso de lexicones para el análisis de sentimientos a
nivel de tweet.
Palabras clave: Análisis de sentimientos, aprendizaje automático, máquinas de soporte
vectorial, lexicones.
Abstract: This paper describes our system for sentiment analysis in Twitter at Tweet
level submitted to task 1 of the TASS-2017: Workshop on Semantic Analysis at SEPLN,
developed by team of the Autonomous Metropolitan University, Azcapotzalco in
collaboration with the Autonomous University of Puebla. The proposed system uses
machine learning, vector support machines algorithm and lexicons of semantic polarities
at the level of lemma for Spanish. Features extracted from lexicons are represented by the
bag-of-word model and they are weighted using TF “Term Frequency” measure, which
expresses the occurrence of lemmas in each tweet. Experimentation shows promising
results with the use of lexicons for the sentiment analysis in Twitter.
Keywords: sentiment analysis, machine learning, support vector machine, lexicons.
precisión para identificar la intensidad de una
1 Introducción opinión expresada en cada tweet. Por otro lado,
la tarea 2 consiste en clasificar la polaridad a
El Taller sobre Análisis Semántico en SEPLN
nivel de aspectos. Los sistemas enviados para
(TASS) en su edición 2017, Martínez-Cámara
esta tarea deben de ser capaces de clasificar una
et al. (2017), ha centrado su interés en dos
opinión dado un aspecto, en una etiqueta de tres
tareas: el análisis de sentimientos a nivel de
niveles de intensidad: Positiva, Negativa y
tweet y el análisis de sentimientos basados en
Neutra.
aspectos. Específicamente, la tarea consiste en
El Análisis de Sentimientos (AS) es una
determinar la polaridad de un tweet,
tarea que se ha desarrollado ampliamente para
considerando cuatro etiquetas (P, N, NEU,
el inglés. Sin embargo, el AS para el español ha
NONE). La idea es evaluar los sistemas de
sido poco abordado y por ello se tiene una
clasificación de polaridad en cuanto a la
carencia de recursos de análisis de opiniones
ISSN 1613-0073 Copyright © 2017 by the paper's authors. Copying permitted for private and academic purposes.
José A. Reyes-Ortiz, Fabián Paniagua-Reyes, Belém Priego, Mireya Tovar
para este idioma. El Taller TASS a lo largo de sentimientos a nivel de tweets. Posteriormente,
su existencia ha propuesto dicha tarea para el los resultados de la experimentación son
español, en la cual se han propuesto sistemas expuestos y analizados. Finalmente, las
con diversos enfoques. El aprendizaje profundo, conclusiones y el trabajo futuro son
como en (Vilares et al. 2015), (Díaz-Galiano y presentados.
Montejo-Ráez, 2015) y (Montejo-Ráez y Díaz-
Galiano, 2016), ha sido utilizado para 2 Descripción del sistema propuesto
representar los tweets y desempeñar el análisis
El sistema propuesto se enfoca en la tarea 1 del
de sentimientos a nivel de sentencias. El uso de
TASS en su edición 2017. Para esta tarea, se
vectores de características es ampliamente
proporcionaron diversos corpora: InterTASS
utilizado en la tarea de análisis de sentimientos.
corpus presentado en (Martínez-Cámara et al.,
En (Murillo y Raventós, 2016) usan vectores de
2017) y dos corpora generales de TASS 2016
características de baja dimensión para
para el entrenamiento, los cuales se describen
representación del texto, ellos proponen un
en (García-Cumbreras et al., 2016).
modelo simple fundamentado en la
De esta manera, esta sección presenta los
normalización de texto con identificación de
elementos que forman parte del sistema
marcadores de énfasis, el uso de modelos de
sometido a la competencia TASS 2017.
lenguaje para representar las características
Primero, se describen los lexicones utilizados
locales y globales del texto, y características
para la clasificación de la polaridad a nivel de
como emoticones y partículas de negación;
un tweet. Posteriormente, se expone la etapa de
(Martínez-Cámara et al., 2015), del mismo
pre-procesamiento de los tweets y de los
modo, construyen vectores de palabras a partir
lexicones. Después, se expone la representación
de la información de opinión de recursos
de los lemas del lexicón y la métrica de
lingüísticos; Quirós, Segura-Bedmar, y
ponderación en cada tweet, con la finalidad de
Martínez (2016), representan los tweets por
obtener los vectores prototipo con las
medio de vectores de palabras ponderados con
características para el conjunto de
TF-IDF y son clasificados utilizando algoritmos
entrenamiento y para el conjunto de pruebas.
como máquinas de soporte vectorial (SVM) y
Finalmente, la etapa de identificación de
regresión logística.
polaridad llevada a cabo con el algoritmo de
Las aproximaciones híbridas para el análisis
clasificación máquinas de soporte vectorial.
de sentimientos, también han sido empleadas,
Álvarez-López et al. (2015) desarrollan una
aproximación híbrida para el análisis de 2.1 Lexicones de polaridad
sentimiento global en Twitter, mediante el uso Para el análisis de sentimientos a nivel de
de clasificadores y aproximaciones sin oraciones es indispensable el análisis de las
supervisión, construidas mediante léxicos de palabras del tweet completo para determinar su
polaridad y estructuras sintácticas. polaridad. Por ello, en este sistema utilizamos
Este artículo se centra en la tarea 1 del dos lexicones de polaridad con la finalidad de
TASS 2017, para la cual presenta el sistema del determinar la carga emocional que imprimen las
equipo LexFAR de la Universidad Autónoma palabras de cada tweet, es decir, que tan
Metropolitana, unidad Azcapotzalco en positivo, negativo, neutro o sin polaridad es el
colaboración con la Benemérita Universidad contenido del tweet.
Autónoma de Puebla. El sistema propuesto El primer lexicón llamado ML-SentiCon
utiliza un enfoque basado en aprendizaje (Cruz et al., 2014), está constituido por 11302
automático, utilizando el algoritmo de SVM y entradas o lemas en español. Este recurso
dos lexicones de polaridades semánticas a nivel contiene lemas polarizados, con valores que van
de lemas para el español. Los lemas de los desde -1.0 “negativo” hasta +1.0 “positivo” y,
lexicones son representados mediante el modelo adicionalmente, un valor de desviación estándar
de bolsa de palabras y ponderadas utilizando la que refleja la ambigüedad resultante del
medida numérica de Frecuencia del Término cómputo de la polaridad a partir de los valores
(FT), la cual expresa la ocurrencia del lema en de los distintos significados posibles del lema.
cada tweet. Además, se tiene la categoría gramatical para
El resto del artículo está organizado como cada lema: verbo (v), sustantivo (s), por
sigue. Primero, se presentan las diversas mencionar algunos. Este lexicón es generado de
aproximaciones del sistema para el análisis de manera automática utilizando una versión
52
LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
mejorada del método usado para construir resultantes a minúsculas y se eliminan las
SentiWordNet 3.0 (Baccianella, Esuli, y stopwords, palabras que no aportan significado
Sebastiani, 2010). Las evaluaciones de este y por lo tanto, no son funcionales para la
lexicón han demostrado resultados identificación de polaridad. Sin embargo, se
prometedores. conservan las palabras de negación (no, ni) o
El segundo lexicón llamado iSOL (Lexicón afirmación (si), al ser consideradas como
Mejorado de Opiniones en Español), creado por funcionales para la identificación de la
Molina-González et al. (2013), es una versión polaridad manifestada por un tweet.
mejorada del recurso original llamado SOL, el Las tareas de normalización de la risa y la
cual proviene de una traducción del lexicón lematización de las palabras son aplicadas a los
BLEL. Diversas mejoras fueron llevadas a cabo textos tanto para la obtención de nuestro
para construir la lista de lemas polarizados y lexicón como para los experimentos con los
mejorados, y, finalmente, se obtuvo un léxico lexicones externos que, a priori, se encuentran
enriquecido para el español que llamaron iSOL, lematizados.
éste contiene 8133 palabras clasificadas en dos El objetivo de la normalización de la risa es
categorías positivas y negativas. evitar la redundancia en la forma de expresarla.
Para los diversos experimentos se utilizan Para ello, se aplican las reglas o patrones
estos dos lexicones debido a su cobertura en las mostrados en la Tabla 1, y se sustituyen las
polaridades positivas, negativas y neutras. Esto diversas formas de expresar risa por el término
quiere decir que tienen una capacidad para en común “jaja”.
caracterizar las posibles etiquetas en las que
está categorizado el conjunto de datos del Patrón Frase Risa normalizada
corpus proporcionado. Ambos recursos están (ja)+ ja jaja
disponibles libremente. (je)+ jeje jaja
Nosotros confiamos en que los recursos (jo)+ jojojo jaja
iSOL y ML-SentiCon son recursos valiosos para (ji)+ jijijiji jaja
determinar la polaridad y realizar en análisis de lol lol jaja
sentimientos para tweets en Español.
Adicionalmente, se considera un lexicón propio
Tabla 1: Normalización de la risa
para uno de los experimentos, obtenido del
corpus InterTASS y descrito en las siguientes
secciones. La lematización consiste en obtener la raíz o
Las entradas (frases) de los lexicones son lema de las palabras, es decir, eliminar los
extraídas, pre-procesadas y representadas sufijos o flexiones de las palabras. Esto permite
utilizando el modelo de bolsa de palabras. agrupar todas las palabras con la misma raíz en
una sola representación en el lexicón propio y,
2.2 Pre-procesado mejora el mapeo de los términos de los
lexicones externos con los textos de los tweets.
Esta tarea de pre-procesado de los textos se Para esta tarea se utiliza la herramienta
aplica a los diversos experimentos realizados. TreeTagger (Schmid, 1999), la cual tiene
Por lo tanto, en esta sección se describen las soporte para el español.
tareas que involucra el pre-procesado de tweets.
Por un lado, para la obtención del lexicón Palabra Lema
propio y, por otro lado, para las entradas de los malas malo
lexicones externos iSOL y MLSentiCon. sentirán sentir
La primera tarea para la obtención del fueron ir
lexicón de palabras propio, es la limpieza de los felices feliz
textos. Para ello se realiza una segmentación
por palabras (tokens) y la eliminación de
caracteres especiales, como acentos (á, é, í, ó, Tabla 2: Forma enraizada de palabras para el
ú) y signos de puntuación (. , ¡ ¿ ;). Después, las español
unidades léxicas son filtradas eliminando las
ligas (url) a sitios web externos y las menciones En la Tabla 2, se ha mostrado un ejemplo de
de usuarios en Twitter (@). También, se lleva a palabras en español tal como aparecen en los
cabo una normalización de las unidades léxicas
53
José A. Reyes-Ortiz, Fabián Paniagua-Reyes, Belém Priego, Mireya Tovar
textos y con su lema (raíz) que es generada por presentado en (Chang y Lin, 2001), el cual
la herramienta. construye un conjunto de hiperplanos en un
espacio n-dimensional con los tweets de
2.3 Extracción de características y entrenamiento, estos hiperplanos son utilizados
ponderación para predecir la clase de los tweets de prueba.
El clasificador basado en máquinas de
La extracción de características se realiza en soporte vectorial ha demostrado resultados
dos escenarios: para el lexicón propio y para los alentadores en la clasificación de textos. La
lexicones externos. implementación del algoritmo de clasificación
Para el caso de nuestro lexicón, se obtiene la se ha llevado a cabo mediante la herramienta
lista de palabras sin repeticiones del conjunto WEKA (Garner, 1995).
de datos de entrenamiento y desarrollo Todos los experimentos fueron llevados a
proporcionado, para la tarea 1 del TASS 2017 cabo con los parámetros: complejidad o número
denominado corpus InterTASS y los corpora de hiperplanos a construir: -C 1; parámetro
generales proporcionados para el TASS 2016. gama (tipo de kernel a utilizar): -K PolyKernel;
A partir de estos conjuntos se obtienen 9058 tamaño de la memoria cache a utilizar: -C
palabras. Para los lexicones externos, se extraen 250007; parámetro de tolerancia: -L 0.001; y
sus entradas como unidades y éstas representan épsilon: -P 1.0E-12.
las características para la etapa de clasificación En los escenarios, de los experimentos, se
del tweet en alguna polaridad determinada. utilizan los conjuntos de datos de entrenamiento
En ambos escenarios, el del lexicón propio y proporcionados por TASS 2016 y TASS 2017
los lexicones externos, el modelo de bolsa de extrayendo los tweets para cuatro etiquetas. La
palabras (bag-of-words) es utilizado para la etapa de pruebas del clasificador SVM se lleva
representación de las entradas de los lexicones a cabo con el conjunto de pruebas del corpus
y la métrica de ponderación denominada InterTASS 2017.
Frecuencia del Término (TF). De esta manera,
cada tweet, tanto para el conjunto de 3 Experimentos y resultados
entrenamiento como para el conjunto de prueba
es ponderado con la ocurrencia de cada entrada El sistema propuesto se evalúa, solamente, para
de los lexicones en un tweet dado. el conjunto de datos de prueba del corpus
La ponderación que se ha utilizado, InterTASS 2017, como consecuencia el equipo
Frecuencia del Término (TF), consiste en el LexFAR solo participa en la tarea 1 del TASS
número de veces que un término (t) del lexicón 2017: Análisis de sentimientos a nivel de tweet.
aparece en un tweet (S). En esta tarea, se realizan tres experimentos
De esta manera se obtienen un conjunto de utilizando el conjunto de datos de TASS 2016 y
vectores numéricos que representan los tweets TASS 2017 como entrenamiento y prueba, con
del conjunto de entrenamiento y los tweets de el corpus InterTASS para cuatro etiquetas (P, N,
los conjuntos de prueba. NEU, NONE.).
El primer experimento (run1) consiste en
2.4 Análisis de sentimientos a nivel de utilizar el lexicón ML-SentiCon (run1-msc),
tweet. para el cual se eliminan aquellas palabras
repetidas del lexicón. El resultado es un
La tarea de análisis de sentimientos a nivel de conjunto de 3084 características que fueron
tweet, se describe como un tarea típica de ponderadas para los tweets de entrenamiento y
clasificación supervisada, la cual consiste en de prueba.
determinar la etiqueta de un tweet basándose en El segundo experimento (run2) consiste en
su contenido. Para el caso de la tarea 1 del el lexicón propio (run2-propio), el cual está
TASS 2017, se evalúa la clasificación a cuatro conformado por 9058 entradas o características
niveles de intensidad de polaridad: Positivo que fueron ponderadas con la métrica TF para
“P”, Negativo “N”, Neutro “NEU”, Ninguna los tweets de entrenamiento y prueba.
“NONE”. El tercer experimento (run3) consiste en
Entonces, para esta tarea de clasificación añadir el lexicón iSOL al lexicón ML-SentiCon
supervisada se utiliza la representación de los (run3-msc+isol). Al igual que el experimento
tweets en los vectores resultantes y ponderados uno, se eliminan entradas irrelevantes y
con TF. Se utiliza el clasificador denominado
máquinas de soporte vectorial (SVM) y
54
LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
repetidas en ambos lexicones. El resultado es Posición Equipo Macro-F1 Acc
un conjunto de 4016 características.
Los tres experimentos fueron desempeñados 1 Jacerong 0.459 0.608
con los 7184 tweets de entrenamiento y 1899 2 ELiRF-UPV 0.493 0.607
tweets de prueba para el conjunto de prueba del
3 RETUYT 0.471 0.596
corpus InterTASS, utilizando las máquinas de
soporte vectorial como algoritmo de 4 tecnolengua 0.441 0.595
clasificación. Los resultados son presentados en 5 ITAINNOVA 0.461 0.576
términos de exactitud (Acc) y las versiones
macro-promediadas de Precisión (Macro-P), 6 SINAI 0.442 0.575
Exhaustividad (Macro-R) y medida F1 (Macro- 7 LexFAR 0.432 0.541
F1), las cuales serán utilizadas como medidas
8 GSI 0.371 0.524
de evaluación. Los resultados para nuestros tres
experimentos, desempañados para la “Tarea 1: 9 INGEOTEC 0.403 0.515
Análisis de sentimientos a nivel de Tweet” del
10 OEG 0.377 0.505
TASS 2017” son mostrados en la Tabla 3.
Macro- Macro- Macro- Tabla 4: Resultados por equipo de la Tarea 1
Experimento Acc
P R F1 del TASS 2017
run1-msc 0.433 0.427 0.430 0.539
El mejor experimento por equipo, ordenados
run2-propio 0.372 0.371 0.372 0.490 por la medida de precisión obtenida, han sido
mostrados en la Tabla 4. Con base en estos
run3- resultados, nuestro sistema, presentado como
0.433 0.431 0.432 0.541
msc+isol
LexFAR, ha logrado posicionarse en el lugar 7
con respecto al resto de los participantes. Se ha
Tabla 3: Resultados de nuestros tres logrado un valor promedio de F1 de 0.432 y
experimentos una exactitud de 0.541.
Con la ejecución de los diversos
experimentos, se ha detectado que la clase
Los resultados mostrados en la Tabla 3, “Ninguna / NONE” ocasiona resultados poco
exponen que nuestro mejor experimento se alentadores. Esto se debe, en gran medida, a
logra combinando los lexicones ML-SentiCon e que las entradas de los lexicones utilizados en
iSOL. Este experimento extiende el número de nuestro sistema (LexFAR) no aparecen en el
características ponderadas para cada tweet de conjunto de Tweets de dicha clase.
3084 para el primer experimento a 4016 para el Los resultados de los tres experimentos son
tercer experimento. Cabe señalar que la prometedores. El mejor resultado se ha logrado
exactitud se logra mejorar de 0.539 para el con el experimento denominado run3-msc+isol,
primer experimento (run1-msc usando el el cual utiliza dos lexicones (ML-SentiCon e
lexicón ML-SentiCon) a 0.541 con el tercer iSOL). Sin embargo, es notorio que el
experimento (run3-msc+isol usando los experimento 1, que solo utiliza el lexicón ML-
lexicones ML-SentiCon + iSOL). SentiCon, ha logrado resultados similares al
Los resultados de los diversos equipos o experimento 3. Esto se debe a la similitud de las
sistemas son clasificados por las medidas entradas de los lexicones, ya que iSOL se
Macro-F1 y exactitud (Acc). Por ello, en la interpone, en gran medida, a ML-SentiCon.
Tabla 4, se muestran los resultados del mejor Adicionalmente, es notable que el segundo
experimento por equipo, para la “Tarea 1: experimento ha quedado por debajo del 0.5 de
Análisis de sentimientos a nivel de Tweet” del precisión. A pesar de esto, el sistema propuesto
TASS 2017, ordenados de mayor a menor de por el equipo LexFAR puede ser utilizado para
acuerdo a sus resultados logrados en las el análisis de sentimientos a nivel de tweet, con
medidas Macro-F1 y exactitud. Esto con la resultados satisfactorios.
finalidad de mostrar la posición de nuestro
equipo, LexFAR, con respecto al resto de
participantes.
55
José A. Reyes-Ortiz, Fabián Paniagua-Reyes, Belém Priego, Mireya Tovar
4 Conclusiones y trabajo futuro Bibliografía
En este artículo se ha presentado el sistema del Alvarez-López, T., J. Juncal-Martínez, M. F.
equipo LexFAR de la Universidad Autónoma Gavilanes, E. Costa-Montenegro, F. J.
Metropolitana, unidad Azcapotzalco en González-Castano, H. Cerezo-Costas, y D.
colaboración con la Benemérita Universidad Celix-Salgado. 2015. GTI-Gradiant at TASS
Autónoma de Puebla para la tarea 1 del TASS 2015: A Hybrid Approach for Sentiment
2017: Taller sobre Análisis Semántico en Analysis in Twitter. En Proceedings of TASS
SEPLN. El sistema presentado realiza el 2015: Workshop on Sentiment Analysis at
análisis de sentimientos a nivel de tweet en SEPLN co-located with 31st SEPLN
español, utilizando lexicones de polaridades Conference (SEPLN 2015), páginas 35-40.
semánticas a nivel de lemas para el español. El
Baccianella, Stefano, Andrea Esuli, y Fabrizio
sistema etiqueta los tweets dependiendo la
Sebastiani. 2010. Sentiwordnet 3.0: An
intensidad de la polaridad: Positivo (P),
enhanced lexical resource for sentiment
Negativo (N), Neutro (NEU) o Ninguno
analysis and opinion mining. En
(NONE).
Proceedings of the Seventh conference on
El sistema sometido aborda el análisis de
International Language Resources and
sentimientos como una tarea de clasificación,
Evaluation (ELRA), páginas 2200-2204.
utilizando el algoritmo de máquinas de soporte
vectorial y lexicones para los diversos Chang, Ch., y Ch. Lin. 2001. LIBSVM - A
experimentos enviados. Los lexicones ML- Library for Support Vector Machines. ACM
SentiCon, iSOL y un lexicón propio son Transactions on Intelligent Systems and
utilizados como el conjunto de características Technology (TIST), 2(3): 27-28.
que son ponderadas utilizando la métrica de Cruz, F. L., J. A. Troyano, B. Pontes, y F. J.
frecuencia de un término.
Ortega. 2014. ML-SentiCon: Un lexicón
Nuestro sistema ha logrado posicionarse en multilingüe de polaridades semánticas a
el séptimo lugar con respecto al resto de los nivel de lemas. Procesamiento del Lenguaje
participantes, considerando sus mejores Natural, 53: 113-120.
experimentos. Nuestro mejor experimento se
logra combinando los lexicones ML-SentiCon e Vilares, D., Y. Doval, M. A. Alonso, C.
iSOL, el cual obtuvo una exactitud de 0.541 Gómez-Rodríguez. 2015. LyS at TASS
para el corpus de prueba del InterTASS. 2015: Deep Learning Experiments for
Además, aun cuando el segundo experimento Sentiment Analysis on Spanish Tweets. En
ha quedado por debajo del 0.5 de precisión, el Proceedings of TASS 2015: Workshop on
sistema propuesto por el equipo LexFAR puede Sentiment Analysis at SEPLN co-located
ser utilizado para el análisis de sentimientos a with 31st SEPLN Conference (SEPLN
nivel de tweet, con resultados prometedores. 2015), páginas 47-52.
Como trabajo a futuro nos planteamos Díaz-Galiano, M. C., y A. Montejo-Ráez. 2015.
experimentar la utilización de otros lexicones, Participación de SINAI DW2Vec en TASS
para el español, combinando éstos para la 2015. En Proceedings of TASS 2015:
incorporación de nuevas características al Workshop on Sentiment Analysis at SEPLN
sistema de clasificación de tweets en nivel de co-located with 31st SEPLN Conference
intensidad de polaridad. (SEPLN 2015), páginas 59-64,
Agradecimientos García-Cumbreras, M. Á., J. Villena-Román, E.
M. Cámara, M. C. Díaz-Galiano, M. T.
Este trabajo fue apoyado, parcialmente, por la Martín-Valdivia, y L. A. U. López. 2016.
SEP/PRODEP, con el proyecto Overview of TASS 2016. En Proceedings of
DSA/103.5/16/9852. Los autores, también, TASS 2016: Workshop on Sentiment
agradecen a la Universidad Autónoma Analysis at SEPLN co-located with 31st
Metropolitana y a la Benemérita Universidad SEPLN Conference, páginas 13-21,
Autónoma de Puebla. Salamanca (España).
Garner, S.R. 1995. Weka: The Waikato
environment for knowledge analysis. En
Proceedings of the New Zealand Computer
56
LexFAR en la competencia TASS 2017: Análisis de sentimientos en Twitter basado en lexicones
Science Research Students Conference,
páginas 57-64.
Martínez-Cámara, E., M. Á. García Cumbreras,
M. T. Martín-Valdivia, y L. A. Ureña López.
2015. SINAI-EMMA: Vectores de Palabras
para el Análisis de Opiniones en Twitter. En
Proceedings of TASS 2015: Workshop on
Sentiment Analysis at SEPLN co-located
with 31st SEPLN Conference (SEPLN
2015), páginas 41-46.
Martínez-Cámara, E., M. C. Díaz-Galiano, M.
Á. García-Cumbreras, M. García-Vega, y J.
Villena-Román. 2017. Overview of TASS
2017, En Proceedings of TASS 2017:
Workshop on Semantic Analysis at SEPLN
(TASS 2017), volumen 1896.
Molina-González, M. D., E. Martínez-Cámara,
M. T. Martín-Valdivia, y J. M. Perea-
Ortega. 2013. Semantic orientation for
polarity classification in Spanish reviews.
Expert Systems with Applications, 40(18):
7250-7257.
Montejo-Ráez, A., y M. C. Díaz-Galiano. 2016.
Participación de SINAI en TASS 2016. En
Proceedings of TASS 2016: Workshop on
Sentiment Analysis at SEPLN co-located
with 31st SEPLN Conference, páginas 41-
45.
Murillo, E. C., y G. M. Raventós. 2016.
Evaluación de Modelos de Representación
del Texto con Vectores de Dimensión
Reducida para Análisis de Sentimiento. En
Proceedings of TASS 2016: Workshop on
Sentiment Analysis at SEPLN co-located
with 31st SEPLN Conference, páginas 23-
28.
Quirós, A., I. Segura-Bedmar, y P. Martínez.
2016. LABDA at the 2016 TASS Challenge
Task: Using Word Embeddings for the
Sentiment Analysis Task. En Proceedings of
TASS 2016: Workshop on Sentiment
Analysis at SEPLN co-located with 31st
SEPLN Conference, páginas 29-33.
Schmid, H. 1999. Improvements in part-of-
speech tagging with an application to
German. En Natural language processing
using very large corpora, páginas 13-25.
Springer Netherlands.
57