Comparación del reconocimiento multimodal de emociones en textos de Twitter

Autores/as

  • Juan Carlos Garduño-Miralrio Centro Universitario UAEM Temascaltepec, Universidad Autónoma del Estado de México, Carr. Toluca - Tejupilco Km. 67.5, Barrio de Santiago, 51300 Temascaltepec de González, MEXICO
  • David Valle-Cruz Unidad Académica Profesional Tianguistenco, Universidad Autónoma del Estado de México, Paraje el Tejocote, San Pedro Tlaltizapan, 52640 Santiago Tianguistenco, MÉXICO
  • José Luis Tapia-Fabela Unidad Académica Profesional Tianguistenco, Universidad Autónoma del Estado de México, Paraje el Tejocote, San Pedro Tlaltizapan, 52640 Santiago Tianguistenco, MÉXICO

DOI:

https://doi.org/10.30973/progmat/2023.15.1/2

Palabras clave:

Análisis de emociones, classificación, CNN, redes sociales, twitter

Resumen

El presente articulo plasma los resultados de una investigación basada en la implementación de técnicas de aprendizaje profundo para la detección de emociones en textos, tomando como referencia la recolección de datos de la red social Twitter considerando que, según diversos estudios, es una fuente de información donde muchas personas expresan sus emociones a través de sus publicaciones. El objetivo de esta investigación fue resaltar el grado de precisión que presentan las redes neuronales convolucionales (CNN) para la identificación de emociones frente a otras técnicas de clasificación basadas en el aprendizaje automático, dado que la implementación de este tipo de red neuronal en el rubro del cómputo afectivo es relativamente nueva.A partir de un experimento con datos analizados previamente con otras técnicas de clasificación se obtuvieron resultados que favorecen en tema de precisión a las CNN frente a otros métodos de clasificación como: Conjunto de cadenas de clasificación (ECC), aprendizaje multietiqueta por retropropagación (BP-MLL), Vecino más cercano k de varias etiquetas (ML-kNN), Relevancia binaria (BR), Jerarquía de los clasificadores multietiqueta (HOMER) y otros más.

Biografía del autor/a

Juan Carlos Garduño-Miralrio, Centro Universitario UAEM Temascaltepec, Universidad Autónoma del Estado de México, Carr. Toluca - Tejupilco Km. 67.5, Barrio de Santiago, 51300 Temascaltepec de González, MEXICO

Egresado de la Ingeniería en Sistemas Computacionales por el Tecnológico de Estudios Superiores de Valle de Bravo (TESVB) en el año 2016. Profesor investigador del TESVB desde el 2017, acreedor al Estimulo al Desempeño Docente en 2019. Actualmente es estudiante de la Maestría en Ciencias de la Computación en el Centro Universitario UAEM Temascaltepec y colaborador del cuerpo académico “Procesamiento de datos con industria 4.0” de la Ingeniería en Sistemas Computacionales formado en el TESVB así como miembro del cuerpo académico “Tecnologías aplicadas a la conservación de especies y producción animal en entornos rurales” perteneciente al Centro Universitario UAEM Temascaltepec.

David Valle-Cruz, Unidad Académica Profesional Tianguistenco, Universidad Autónoma del Estado de México, Paraje el Tejocote, San Pedro Tlaltizapan, 52640 Santiago Tianguistenco, MÉXICO

Profesor en la Universidad Autónoma del Estado de México y miembro del Sistema Nacional de Investigadores de México. Ingeniero en Computación, tiene una Maestría en Informática y un Doctorado en Economía y Administración. Ha sido investigador visitante en el Center for Technology in Government (CTG), SUNY Albany, NY, y en el Laboratorio de Ciencias de la Computación y Sistemas Multiagentes del CINVESTAV, Guadalajara, México. Sus artículos han sido publicados en importantes revistas, como Government Information Quarterly, Cognitive Computation, First Monday, Information Polity, e International Journal of Public Sector Management (entre otras). Sus intereses de investigación están relacionados con la inteligencia artificial aplicada, los medios sociales y las tecnologías emergentes en el sector público.

José Luis Tapia-Fabela, Unidad Académica Profesional Tianguistenco, Universidad Autónoma del Estado de México, Paraje el Tejocote, San Pedro Tlaltizapan, 52640 Santiago Tianguistenco, MÉXICO

Nació en la ciudad de México en 1977. En 2008 recibió el título de Doctor en Ciencias en Ingeniería Electrónica otorgado por el Instituto Tecnológico de Toluca (ITT). Actualmente se encuentra laborando como profesor adscrito en la Universidad Autónoma del Estado de México y como profesor de la Maestría en Ciencias de la Computación, sus áreas de interés son las siguientes: modelado de descargas de alta intensidad, cómputo aplicado a la resolución de problemas científicos y electrónica de potencia., ha realizado publicaciones en la Mexican International Conference on Artificial Intelligence y en IEEE transactions on plasma science y algunas otras revistas.

Citas

R. Zatarain Cabada, M. L. Barrón Estrada, and H. M. Cárdenas López, “Reconocimiento multimodal de emociones orientadas al aprendizaje”, Research in Computing Science., vol. 148, no. 7, pp. 153–165, 2019, https://doi.org.10.13053/rcs-148-7-12.

B. Bollen, Johan; Gonçalves and G. van de Leemput, Ingrid; Ruan, “The happiness paradox: your friends are happier than you,” EPJ Data Science, vol. 6, no. 4, 2017, https://doi.org/10.1140/epjds/s13688-017-0100-1.

Intelligent, “Análisis de sentimiento, ¿qué es, cómo funciona y para qué sirve?,” ITELLIGENT Information Technologies SL, 2017. https://itelligent.es/es/analisis-de-sentimiento/.

A. Konate and R. Du, “Sentiment Analysis of Code-Mixed Bambara-French Social Media Text Using Deep Learning Techniques,” Wuhan University Journal of Natural Sciences, vol. 23, pp. 237–243, 2018, https://doi.org/10.1007/s11859-018-1316-z.

D. Valle-Cruz, A. Lopez-Chau, and R. Sandoval-Almazan, “Impression analysis of trending topics in Twitter with classification algorithms,” PervasiveHealth: Pervasive Computing Technologies for Healthcare, pp. 430–441, 2020, https://doi.org/10.1145/3428502.3428570.

V. Francisco, “Identificación Automática del Contenido Afectivo de un Texto y su Papel en la Presentación de Información,” Universidad Complutense de Madrid, 2008.

Sentic Team, “Talking about SenticNet,” SenticNet, 2009. https://sentic.net/.

Y. Fernández, “Qué es IFTTT y cómo lo puedes utilizar para crear automatismos en tus aplicaciones,” Xataka, 2019. https://www.xataka.com/basics/que-ifttt-como-puedes-utilizar-para-crear-automatismos-tus-aplicaciones.

L. A. Urdaneta-Fernández, “Reducir el número de palabras de un texto: lematización y radicalización (stemming) con Python,” Medium, 2019. https://medium.com/qu4nt/reducir-el-número-de-palabras-de-un-texto-lematización-y-radicalización-stemming-con-python-965bfd0c69fa.

A. Esposito, A. M. Esposito, R. Martone, V. C. Müller, and G. Scarpetta, “Sentic Avatar: Multimodal Affective Conversational Agent with Common Sense,” in ResearchGate, 2010, vol. 6456 LNCS, no. October 2017, https://doi.org/10.1007/978-3-642-18184-9.

R. A. Pérez-López, “Uso de redes neuronales convolucionales aplicado a sentiment analysis,” 2019.

Descargas

Publicado

16-02-2023

Cómo citar

Garduño-Miralrio, J. C., Valle-Cruz, D., & Tapia-Fabela, J. L. (2023). Comparación del reconocimiento multimodal de emociones en textos de Twitter. Programación Matemática Y Software, 15(1), 9–16. https://doi.org/10.30973/progmat/2023.15.1/2

Número

Sección

Artículos