Sentiment analysis in social networks
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10316/96069 |
Resumo: | Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia |
id |
RCAP_5a6154aff99de1cfd1c6eaef2a96221a |
---|---|
oai_identifier_str |
oai:estudogeral.uc.pt:10316/96069 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Sentiment analysis in social networksAnálise de sentimentos em redes sociaisRedes sociaisAnálise de sentimentosSistemas inteligentesModelos deep learningEmoçõesSocial networksSentiment analysisIntelligent systemsDeep learning modelsEmotionsDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaNowadays, social media plays an important role in connecting people all around the world. The information shared on these platforms is freely available and may be used to assess public opinion and to resolve challenges faced by groups and individuals. However, there are many uses of social media. Due to this, platforms with a focus in promoting discussion about present events, public figures and brands are preferred in the literature (e.g. Twitter), as this data is useful for sentiment analysis. The content shared on social media often contains multiple types of data, such as text, images and videos. Certain platforms (e.g. Twitter) are more focused on textual content while others (e.g Instagram, pinterest) are mainly based on visual content.This presents a new challenge for sentiment analysis, as in this case it is necessary to classify multiple forms of data at once.In this work, the main objective is to develop models with good capabilities for performing multimodal sentiment analysis on social media data. For this purpose, deep learning based approaches are tested and implemented, using models such as Long Short Term Memory Neural Networks (LSTM) and Convolutional Neural Networks (CNN). Other methods to increase performance are also considered, such as feature extraction from objects in images.Given the initial lack of good quality datasets, data was collected to build a new dataset. However, during this work, a new high quality dataset was made available and is used instead.Hoje em dia, as redes sociais desempenham um papel importante na ligação de pessoas em todo o mundo. As informações partilhadas nestas plataformas estão disponíveis gratuitamente e podem ser usadas para avaliar a opinião pública e resolver desafios enfrentados por grupos e indivíduos. No entanto, as redes sociais têm muitos usos. Por isso, as plataformas com foco na promoção da discussão sobre eventos presentes, figuras públicas e marcas são as preferidas na literatura (por exemplo, Twitter), pois esses dados são úteis para a análise de sentimento. O conteúdo partilhado nas redes sociais geralmente contém vários tipos de dados, como texto, imagens e vídeos. Certas plataformas (por exemplo, Twitter) são mais focadas em conteúdo textual, enquanto outras (por exemplo, Instagram, pinterest) são baseadas principalmente em conteúdo visual. Isto apresenta um novo desafio para a análise de sentimento, pois neste caso é necessário classificar vários tipos de dados de uma vez. Neste trabalho, o principal objetivo é desenvolver modelos com boas capacidades para realizar análise de sentimento multimodal em dados de redes sociais. Para este propósito, abordagens baseadas em deep learning são testadas e implementadas, usando modelos como Redes Neuronais de Memória a Longo Prazo (LSTM) e Redes Neuronais Convolucionais (CNN). Outros métodos para aumentar o desempenho também são considerados, como a extração de informação de objetos presentes em imagens. Devido à falta inicial de dados de boa qualidade, novos dados foram colecionados para serem usados. No entanto, durante este trabalho, um novo conjunto de dados de alta qualidade foi disponibilizado e é usado em vez disso.Universidade de Coimbra - Financiamento recebido através da bolsa FCT CISUC-717537 durante 3 meses.2021-09-10info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/96069http://hdl.handle.net/10316/96069TID:202778240engGonçalves, João Pedro Mendesinfo: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:RCAAP2022-05-25T04:19:12Zoai:estudogeral.uc.pt:10316/96069Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:14:25.481206Repositório 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 |
Sentiment analysis in social networks Análise de sentimentos em redes sociais |
title |
Sentiment analysis in social networks |
spellingShingle |
Sentiment analysis in social networks Gonçalves, João Pedro Mendes Redes sociais Análise de sentimentos Sistemas inteligentes Modelos deep learning Emoções Social networks Sentiment analysis Intelligent systems Deep learning models Emotions |
title_short |
Sentiment analysis in social networks |
title_full |
Sentiment analysis in social networks |
title_fullStr |
Sentiment analysis in social networks |
title_full_unstemmed |
Sentiment analysis in social networks |
title_sort |
Sentiment analysis in social networks |
author |
Gonçalves, João Pedro Mendes |
author_facet |
Gonçalves, João Pedro Mendes |
author_role |
author |
dc.contributor.author.fl_str_mv |
Gonçalves, João Pedro Mendes |
dc.subject.por.fl_str_mv |
Redes sociais Análise de sentimentos Sistemas inteligentes Modelos deep learning Emoções Social networks Sentiment analysis Intelligent systems Deep learning models Emotions |
topic |
Redes sociais Análise de sentimentos Sistemas inteligentes Modelos deep learning Emoções Social networks Sentiment analysis Intelligent systems Deep learning models Emotions |
description |
Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-09-10 |
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/10316/96069 http://hdl.handle.net/10316/96069 TID:202778240 |
url |
http://hdl.handle.net/10316/96069 |
identifier_str_mv |
TID:202778240 |
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.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_ |
1799134041448906752 |