Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español

Descripción del Articulo

La clasificación de sentimientos se refiere al dictamen o juicio que se le atribuye a un texto. Esta tarea es algo que las personas realizan naturalmente al leer un contenido. Por el crecimiento de las redes sociales y la cantidad de datos que se generan diariamente en la web, podemos encontrar opin...

Descripción completa

Detalles Bibliográficos
Autor: Ari Mamani, Disraeli Fausto
Formato: tesis de maestría
Fecha de Publicación:2019
Institución:Universidad Nacional de San Agustín
Repositorio:UNSA-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unsa.edu.pe:UNSA/8697
Enlace del recurso:http://repositorio.unsa.edu.pe/handle/UNSA/8697
Nivel de acceso:acceso abierto
Materia:Representaciones de palabras
aprendizaje profundo
campos condicionales aleatorios
análisis de opiniones
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.04
id UNSA_23f48ab53edac03581e6776e09d36fb3
oai_identifier_str oai:repositorio.unsa.edu.pe:UNSA/8697
network_acronym_str UNSA
network_name_str UNSA-Institucional
repository_id_str 4847
dc.title.es_PE.fl_str_mv Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
title Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
spellingShingle Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
Ari Mamani, Disraeli Fausto
Representaciones de palabras
aprendizaje profundo
campos condicionales aleatorios
análisis de opiniones
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
title_full Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
title_fullStr Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
title_full_unstemmed Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
title_sort Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
author Ari Mamani, Disraeli Fausto
author_facet Ari Mamani, Disraeli Fausto
author_role author
dc.contributor.advisor.fl_str_mv Ochoa Luna, José Eduardo
dc.contributor.author.fl_str_mv Ari Mamani, Disraeli Fausto
dc.subject.es_PE.fl_str_mv Representaciones de palabras
aprendizaje profundo
campos condicionales aleatorios
análisis de opiniones
Aprendizaje automático
topic Representaciones de palabras
aprendizaje profundo
campos condicionales aleatorios
análisis de opiniones
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description La clasificación de sentimientos se refiere al dictamen o juicio que se le atribuye a un texto. Esta tarea es algo que las personas realizan naturalmente al leer un contenido. Por el crecimiento de las redes sociales y la cantidad de datos que se generan diariamente en la web, podemos encontrar opiniones sobre noticias, productos, personas, etc. Con tanta información, la capacidad humana para clasificarla se convierte en una tarea muy difícil de realizar. Por eso se han propuesto diversos tipos de clasificadores automáticos que realizan esta tarea. En esta investigación se desarrolló diversas técnicas que permiten el análisis de textos cortos, desde clasificadores probabilísticos, que mostraron un rápido desempeño y buenos resultados, hasta clasificadores basados en aprendizaje profundo, con los que se consiguió resultados comparables al estado del arte. Además, se utilizaron características no supervisadas basadas en word embeddings para modelar el contexto. Los algoritmos resultantes permiten clasificar textos cortos en el idioma español.
publishDate 2019
dc.date.accessioned.none.fl_str_mv 2019-06-14T20:21:49Z
dc.date.available.none.fl_str_mv 2019-06-14T20:21:49Z
dc.date.issued.fl_str_mv 2019
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.uri.none.fl_str_mv http://repositorio.unsa.edu.pe/handle/UNSA/8697
url http://repositorio.unsa.edu.pe/handle/UNSA/8697
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional de San Agustín de Arequipa
dc.source.es_PE.fl_str_mv Universidad Nacional de San Agustín de Arequipa
Repositorio Institucional - UNSA
dc.source.none.fl_str_mv reponame:UNSA-Institucional
instname:Universidad Nacional de San Agustín
instacron:UNSA
instname_str Universidad Nacional de San Agustín
instacron_str UNSA
institution UNSA
reponame_str UNSA-Institucional
collection UNSA-Institucional
bitstream.url.fl_str_mv https://repositorio.unsa.edu.pe/bitstreams/c4d9f8ad-df35-4fd0-b0ce-1ef3119fa4f4/download
https://repositorio.unsa.edu.pe/bitstreams/dbb7b037-dc33-46ca-92d4-8320eeb451c5/download
https://repositorio.unsa.edu.pe/bitstreams/9d414e28-77d7-420f-8270-8036200ca508/download
bitstream.checksum.fl_str_mv c5a038a7e66230ab5aea3c615c282db4
c52066b9c50a8f86be96c82978636682
9a79f7a2e18f7907236c9f01d27badde
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UNSA
repository.mail.fl_str_mv repositorio@unsa.edu.pe
_version_ 1850325016070062080
spelling Ochoa Luna, José EduardoAri Mamani, Disraeli Fausto2019-06-14T20:21:49Z2019-06-14T20:21:49Z2019La clasificación de sentimientos se refiere al dictamen o juicio que se le atribuye a un texto. Esta tarea es algo que las personas realizan naturalmente al leer un contenido. Por el crecimiento de las redes sociales y la cantidad de datos que se generan diariamente en la web, podemos encontrar opiniones sobre noticias, productos, personas, etc. Con tanta información, la capacidad humana para clasificarla se convierte en una tarea muy difícil de realizar. Por eso se han propuesto diversos tipos de clasificadores automáticos que realizan esta tarea. En esta investigación se desarrolló diversas técnicas que permiten el análisis de textos cortos, desde clasificadores probabilísticos, que mostraron un rápido desempeño y buenos resultados, hasta clasificadores basados en aprendizaje profundo, con los que se consiguió resultados comparables al estado del arte. Además, se utilizaron características no supervisadas basadas en word embeddings para modelar el contexto. Los algoritmos resultantes permiten clasificar textos cortos en el idioma español.Tesisapplication/pdfhttp://repositorio.unsa.edu.pe/handle/UNSA/8697spaUniversidad Nacional de San Agustín de Arequipainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de San Agustín de ArequipaRepositorio Institucional - UNSAreponame:UNSA-Institucionalinstname:Universidad Nacional de San Agustíninstacron:UNSARepresentaciones de palabrasaprendizaje profundocampos condicionales aleatoriosanálisis de opinionesAprendizaje automáticohttps://purl.org/pe-repo/ocde/ford#2.02.04Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Españolinfo:eu-repo/semantics/masterThesisSUNEDUMaestría en Ciencias: Informática, con mención en Tecnologías de InformaciónUniversidad Nacional de San Agustín de Arequipa.Unidad de Posgrado.Facultad de Ingeniería de Producción y ServiciosMaestríaMaestro en Ciencias: Informática, con mención en Tecnologías de InformaciónORIGINALUPMarmadf.pdfUPMarmadf.pdfapplication/pdf1640393https://repositorio.unsa.edu.pe/bitstreams/c4d9f8ad-df35-4fd0-b0ce-1ef3119fa4f4/downloadc5a038a7e66230ab5aea3c615c282db4MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81327https://repositorio.unsa.edu.pe/bitstreams/dbb7b037-dc33-46ca-92d4-8320eeb451c5/downloadc52066b9c50a8f86be96c82978636682MD52TEXTUPMarmadf.pdf.txtUPMarmadf.pdf.txtExtracted texttext/plain115396https://repositorio.unsa.edu.pe/bitstreams/9d414e28-77d7-420f-8270-8036200ca508/download9a79f7a2e18f7907236c9f01d27baddeMD53UNSA/8697oai:repositorio.unsa.edu.pe:UNSA/86972022-05-29 11:32:52.543http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttps://repositorio.unsa.edu.peRepositorio Institucional UNSArepositorio@unsa.edu.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
score 13.905324
Clasificación de sentimientos usando Modelos Probabilísticos, Deep Learning y Word Embeddings para textos cortos en Español
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares