LyS at TASS 2014: A Prototype for Extracting and Analysing Aspects from Spanish tweets

• David Vilares ^[1] ; Yerai Doval ^[1] ; Miguel A. Alonso ^[1] ; Carlos Gómez-Rodríguez ^[1]
  1. [1] Universidade da Coruña

     Universidade da Coruña

     A Coruña, España

     
• Localización: TASS 2014 - Workshop on Sentiment Analysis at SEPLN: Workshop proceedings : XXX Congreso de la Sociedad Española de Procesamiento de Lenguaje Natural SEPLN 2014, 2014
• Idioma: inglés
• Títulos paralelos:
  • LyS en TASS 2014: un prototipo para la extracciónn y análisis de aspectos en tuits.
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Este artículo describe nuestra participación en la tercera edición del taller de análisis del sentimiento de tuits escritos en castellano, el tass 2014. En la evaluación competitiva de este año, se han propuesto cuatro retos: (1) análisis del sentimiento a nivel global, (2) clasificación de tópicos, (3) extracción de aspectos y (4) análisis del sentimiento a nivel aspectual. Para las tareas 1 y 2 empleamos una aproximación basada en aprendizaje automático, donde distintos recursos lingüísticos e información extraída del conjunto de entrenamiento son utilizados para entrenar un clasificador supervisado. Para abordar la tarea 3, nuestra aproximación recolecta una lista de representaciones que es empleada para identificar los aspectos requeridos por los organizadores. Por último, la tarea 4 delega en heurísticas para identificar el alcance de cada aspecto, para después determinar su sentimiento a través de un clasificador supervisado. Los resultados experimentales son prometedores y nos servirán para desarrollar técnicas más complejas en el futuro.

  • English

    This paper describes our participation at the third edition of the work- shop on Sentiment Analysis focused on Spanish tweets, tass 2014. This year’s eval- uation campaign includes four challenges: (1) global sentiment analysis, (2) topic classification, (3) aspect-extraction and (4) aspect-based sentiment analysis. Tasks 1 and 2 are addressed from a machine learning approach, using several linguistic resources and other information extracted from the training corpus to feed to a su- pervised classifier. With respect to task 3, we develop a naive approach, collecting a set of representations to identify the predefined aspects requested by the organisers. Finally, task 4 uses heuristics to identify the scope of each aspect, to then classify their sentiment via a supervised classifier. The experimental results are promising and will serve us as the starting point to develop more complex techniques.