Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA)
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UNESP |
Texto Completo: | http://hdl.handle.net/11449/217538 |
Resumo: | O Latent Dirichlet Allocation (LDA) é um modelo generativo para grupos de dados discretos como corpus de texto. Modelos generativos são aqueles que aleatoriamente geram os dados a partir das variáveis latentes. Nesse estudo vamos analisar o perfil do Twitter de pré-candidatos a presidência do Brasil no ano de 2021, usando técnicas de mineração de texto como, frequência de termos através de nuvens de palavras, análise de sentimentos, análise de agrupamento e análise da frequência inversa do termo (TF-IDF), além da aplicação do algoritmo LDA para o grupo de perfis. Para a realização das análises foram colhidos oitenta mil tweets de cada pré-candidato no período de 08/09/2021 a 27/10/2021, os dados foram tratados eliminando qualquer caracter que fosse irrelevante para a análise. Os resultados indicaram os termos mais frequentes e relevantes para cada perfil e com a aplicação do algoritmo constatamos que existe um grande número de termos que compõem cada assunto e qual pré-candidato tem a maior probabilidade de ser citado em determinado assunto. |
id |
UNSP_d10c93458ff77d085f80fa9e34ae6862 |
---|---|
oai_identifier_str |
oai:repositorio.unesp.br:11449/217538 |
network_acronym_str |
UNSP |
network_name_str |
Repositório Institucional da UNESP |
repository_id_str |
2946 |
spelling |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA)An analysis of tweets from pre-candidates for the presidency of the Brazil: application of the Latent Dirichlet Allocation algorithm (LDA)Mineração de textoLatent Dirichilet AllocationModelos de tópicosTF-IDFAnálise de sentimentosText miningLatent Dirichlet AllocationTopic modelsSentiment analysisO Latent Dirichlet Allocation (LDA) é um modelo generativo para grupos de dados discretos como corpus de texto. Modelos generativos são aqueles que aleatoriamente geram os dados a partir das variáveis latentes. Nesse estudo vamos analisar o perfil do Twitter de pré-candidatos a presidência do Brasil no ano de 2021, usando técnicas de mineração de texto como, frequência de termos através de nuvens de palavras, análise de sentimentos, análise de agrupamento e análise da frequência inversa do termo (TF-IDF), além da aplicação do algoritmo LDA para o grupo de perfis. Para a realização das análises foram colhidos oitenta mil tweets de cada pré-candidato no período de 08/09/2021 a 27/10/2021, os dados foram tratados eliminando qualquer caracter que fosse irrelevante para a análise. Os resultados indicaram os termos mais frequentes e relevantes para cada perfil e com a aplicação do algoritmo constatamos que existe um grande número de termos que compõem cada assunto e qual pré-candidato tem a maior probabilidade de ser citado em determinado assunto.Latent Dirichlet Allocation (LDA) is a generative model for discrete data groups as a text corpus. Generative models are those that randomly generate data from latent variables. In this study we will analyze the Twitter profile of pre-candidates for the presidency of Brazil in the year 2021, using text mining techniques such as term frequency through word clouds, sentiment analysis, cluster analysis and inverse frequency analysis. of the term (TF-IDF), in addition to the application of the LDA algorithm for the profile group. In order to carry out the analysis, eighty thousand tweets were collected from each pre-candidate in the period from 09/08/2021 to 10/27/2021, the data were processed by eliminating any character that was irrelevant to the analysis. The results indicated the most frequent and relevant terms for each profile and with the application of the algorithm we found that there is a large number of terms that make up each subject and which pre-candidate is most likely to be cited in a given subject.Não recebi financiamentoUniversidade Estadual Paulista (Unesp)Schlünzen Junior, Klaus [UNESP]Universidade Estadual Paulista (Unesp)Queiroz, Maria Eduarda do Prado e2022-03-31T13:02:13Z2022-03-31T13:02:13Z2022-03-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfhttp://hdl.handle.net/11449/217538porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2023-12-15T06:20:47Zoai:repositorio.unesp.br:11449/217538Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462023-12-15T06:20:47Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false |
dc.title.none.fl_str_mv |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) An analysis of tweets from pre-candidates for the presidency of the Brazil: application of the Latent Dirichlet Allocation algorithm (LDA) |
title |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
spellingShingle |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) Queiroz, Maria Eduarda do Prado e Mineração de texto Latent Dirichilet Allocation Modelos de tópicos TF-IDF Análise de sentimentos Text mining Latent Dirichlet Allocation Topic models Sentiment analysis |
title_short |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
title_full |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
title_fullStr |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
title_full_unstemmed |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
title_sort |
Uma análise dos tweets de pré-candidatos a presidência do Brasil: aplicação do algoritmo de Latent Dirichlet Allocation (LDA) |
author |
Queiroz, Maria Eduarda do Prado e |
author_facet |
Queiroz, Maria Eduarda do Prado e |
author_role |
author |
dc.contributor.none.fl_str_mv |
Schlünzen Junior, Klaus [UNESP] Universidade Estadual Paulista (Unesp) |
dc.contributor.author.fl_str_mv |
Queiroz, Maria Eduarda do Prado e |
dc.subject.por.fl_str_mv |
Mineração de texto Latent Dirichilet Allocation Modelos de tópicos TF-IDF Análise de sentimentos Text mining Latent Dirichlet Allocation Topic models Sentiment analysis |
topic |
Mineração de texto Latent Dirichilet Allocation Modelos de tópicos TF-IDF Análise de sentimentos Text mining Latent Dirichlet Allocation Topic models Sentiment analysis |
description |
O Latent Dirichlet Allocation (LDA) é um modelo generativo para grupos de dados discretos como corpus de texto. Modelos generativos são aqueles que aleatoriamente geram os dados a partir das variáveis latentes. Nesse estudo vamos analisar o perfil do Twitter de pré-candidatos a presidência do Brasil no ano de 2021, usando técnicas de mineração de texto como, frequência de termos através de nuvens de palavras, análise de sentimentos, análise de agrupamento e análise da frequência inversa do termo (TF-IDF), além da aplicação do algoritmo LDA para o grupo de perfis. Para a realização das análises foram colhidos oitenta mil tweets de cada pré-candidato no período de 08/09/2021 a 27/10/2021, os dados foram tratados eliminando qualquer caracter que fosse irrelevante para a análise. Os resultados indicaram os termos mais frequentes e relevantes para cada perfil e com a aplicação do algoritmo constatamos que existe um grande número de termos que compõem cada assunto e qual pré-candidato tem a maior probabilidade de ser citado em determinado assunto. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-03-31T13:02:13Z 2022-03-31T13:02:13Z 2022-03-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11449/217538 |
url |
http://hdl.handle.net/11449/217538 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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.publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
instname_str |
Universidade Estadual Paulista (UNESP) |
instacron_str |
UNESP |
institution |
UNESP |
reponame_str |
Repositório Institucional da UNESP |
collection |
Repositório Institucional da UNESP |
repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
repository.mail.fl_str_mv |
|
_version_ |
1799965298379456512 |