Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches

Detalhes bibliográficos
Autor(a) principal: Amorim, Inês Bettencourt Martins
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10400.14/43609
Resumo: This dissertation delves into the domain of sentiment analysis, a computational approach to detect and extract human sentiments from textual data. With the ever-increasing growth of online textual content, especially in the form of reviews, the need to accurately determine customer sentiment has never been more imperative. To explore the efficacy of lexicon-based sentiment analysis models, this study implements 9 models: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT, and ANEW. These models are tested on an Amazon reviews dataset, which is uniquely accompanied by a rating system in which the accuracy of the sentiment extraction can be assessed. The study then further delves into a comparative analysis, collecting the performance of these models to discern their strengths, weaknesses, and overall utility.
id RCAP_3845493fcf6887b6624853d5b4a4a305
oai_identifier_str oai:repositorio.ucp.pt:10400.14/43609
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approachesSentiment analysisDictionary approachReviewsRatingsAmazonComparisonSentimentoDicionárioAvaliaçõesClassificaçõesComparaçãoDomínio/Área Científica::Ciências Sociais::Economia e GestãoThis dissertation delves into the domain of sentiment analysis, a computational approach to detect and extract human sentiments from textual data. With the ever-increasing growth of online textual content, especially in the form of reviews, the need to accurately determine customer sentiment has never been more imperative. To explore the efficacy of lexicon-based sentiment analysis models, this study implements 9 models: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT, and ANEW. These models are tested on an Amazon reviews dataset, which is uniquely accompanied by a rating system in which the accuracy of the sentiment extraction can be assessed. The study then further delves into a comparative analysis, collecting the performance of these models to discern their strengths, weaknesses, and overall utility.Esta dissertação aborda o tema de Sentiment Analysis, uma técnica que permite detetar e extrair sentimentos humanos a partir de texto. Com o crescimento exponencial de dados sob a forma de texto online, particularmente nas avaliações dos consumidores, a necessidade de determinar com precisão os sentimentos destes nunca foi tão imperativo. Esta técnica é essencial para converter os dados textuais em informação que pode ser efetivamente utilizada. Para explorar a eficácia dos modelos de Sentiment Analysis na categoria de abordagem por Dicionário, este estudo implementa nove modelos: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT e ANEW. Estes modelos são testados numa base de dados que contém avaliações da Amazon e classificações através das quais a precisão da extração de sentimento pode ser avaliada. O estudo aprofunda-se numa análise comparativa, avaliando o desempenho destes modelos para identificar os seus pontos fortes, fracos e a sua utilidade.Alves, Paulo Alexandre PimentaVeritati - Repositório Institucional da Universidade Católica PortuguesaAmorim, Inês Bettencourt Martins2024-01-16T16:14:12Z2023-10-312023-092023-10-31T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10400.14/43609TID:203439147enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-01-23T01:43:36Zoai:repositorio.ucp.pt:10400.14/43609Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T01:56:28.285252Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
title Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
spellingShingle Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
Amorim, Inês Bettencourt Martins
Sentiment analysis
Dictionary approach
Reviews
Ratings
Amazon
Comparison
Sentimento
Dicionário
Avaliações
Classificações
Comparação
Domínio/Área Científica::Ciências Sociais::Economia e Gestão
title_short Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
title_full Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
title_fullStr Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
title_full_unstemmed Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
title_sort Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
author Amorim, Inês Bettencourt Martins
author_facet Amorim, Inês Bettencourt Martins
author_role author
dc.contributor.none.fl_str_mv Alves, Paulo Alexandre Pimenta
Veritati - Repositório Institucional da Universidade Católica Portuguesa
dc.contributor.author.fl_str_mv Amorim, Inês Bettencourt Martins
dc.subject.por.fl_str_mv Sentiment analysis
Dictionary approach
Reviews
Ratings
Amazon
Comparison
Sentimento
Dicionário
Avaliações
Classificações
Comparação
Domínio/Área Científica::Ciências Sociais::Economia e Gestão
topic Sentiment analysis
Dictionary approach
Reviews
Ratings
Amazon
Comparison
Sentimento
Dicionário
Avaliações
Classificações
Comparação
Domínio/Área Científica::Ciências Sociais::Economia e Gestão
description This dissertation delves into the domain of sentiment analysis, a computational approach to detect and extract human sentiments from textual data. With the ever-increasing growth of online textual content, especially in the form of reviews, the need to accurately determine customer sentiment has never been more imperative. To explore the efficacy of lexicon-based sentiment analysis models, this study implements 9 models: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT, and ANEW. These models are tested on an Amazon reviews dataset, which is uniquely accompanied by a rating system in which the accuracy of the sentiment extraction can be assessed. The study then further delves into a comparative analysis, collecting the performance of these models to discern their strengths, weaknesses, and overall utility.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-31
2023-09
2023-10-31T00:00:00Z
2024-01-16T16:14:12Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10400.14/43609
TID:203439147
url http://hdl.handle.net/10400.14/43609
identifier_str_mv TID:203439147
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799137053419503616

Registros relacionados