Comparación del reconocimiento multimodal de emociones en textos de Twitter
DOI:
https://doi.org/10.30973/progmat/2023.15.1/2Palabras clave:
Análisis de emociones, classificación, CNN, redes sociales, twitterResumen
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.
Citas
Zatarain Cabada, R., Barrón Estrada, M. L., Cárdenas López, H. M. Reconocimiento multimodal de emociones orientadas al aprendizaje, Research in Computing Science. 2019, 148 (7), 153–165.
Bollen, J., Gonçalves, B., van de Leemput, I., Ruan, G. The happiness paradox: your friends are happier than you. EPJ Data Science. 2017, 6 (4), https://doi.org/10.1140/epjds/s13688-017-0100-1.
ITelligent, Análisis de sentimiento, ¿qué es, cómo funciona y para qué sirve?, [en linea] Itelligent, Blog, [recuperado el 19 de julio de 2017] de https://itelligent.es/es/analisis-de-sentimiento. 2017
Konate, A., Du, R. Sentiment Analysis of Code-Mixed Bambara-French Social Media Text Using Deep Learning Techniques. Wuhan University Journal of Natural Sciences. 2018, 23, 237–243. https://doi.org/10.1007/s11859-018-1316-z.
Valle-Cruz, D., Lopez-Chau, A., Sandoval-Almazan, R. Impression analysis of trending topics in Twitter with classification algorithms. Impression analysis of trending topics in Twitter with classification algorithms. In Charalabidis, Y. Et al. (Eds.). Proc. of the 13th Int. Conf. on Theory and Practice of Electronic Governance (ICEGOV '20). New York, ACM, 2020, 430–441. 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, Tesis, Madrid, España: Universidad Complutense de Madrid, 2008.
Sentic Team, Talking about SenticNet, SenticNet, 2009. https://sentic.net
Fernández, Y. 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
Urdaneta-Fernández, L.A. 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
Cambria, E., Hupont, I., Hussain, A., Cerezo, E., Baldassarri, S. Sentic Avatar: Multimodal Affective Conversational Agent with Common Sense. In: Esposito, A., et al. (eds). Toward Autonomous, Adaptive, and Context-Aware Multimodal Interfaces. Theoretical and Practical Issues. LNCS, 6456. Berlin: Springer, 2011, 81-95, https://doi.org/10.1007/978-3-642-18184-9_8.
Pérez-López, R. A. Uso de redes neuronales convolucionales aplicado a sentiment analysis, Tesis, Santiago, Chile: Universidad de Chile, 2019. https://repositorio.uchile.cl/handle/2250/174536

Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Juan Carlos Garduño-Miralrio, David Valle-Cruz, José Luis Tapia-Fabela

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
![]() |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
![]() |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
![]() |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |