Análisis de sentimientos en Twitter mediante técnicas de Deep Learning

Abstract

El crecimiento de las redes sociales en los últimos años hace que dichos medios abarquen una gran cantidad de información de la que podemos extraer para diversos fines. Por lo tanto, resulta de gran interés y motivación el trabajo presentado. En este TFG se pretende hacer un estudio acerca del análisis de sentimientos en Twitter mediante la aplicación de técnicas Deep Learning. El objetivo que se presenta en dicho trabajo es poder conocer el mundo del Deep Learning, y poder crear un clasificador de tweets en español en función del sentimiento que transmite con una precisión de al menos un 75%. Para ello, en una primera fase, se ha llevado a cabo la creación de un clasificador utilizando redes neuronales en el que se ha comparado el funcionamiento de diversas combinaciones propias del Deep Learning. Se ha partido de un corpus de aprendizaje y se ha realizado un análisis exploratorio de las diversas opciones que se han podido investigar para poder probar cual de ellas ofrecía mejores resultados. En una segunda fase, se ha optimizado el mejor modelo obtenido en la comparativa mencionada en el párrafo anterior, para así intentar mejorar el porcentaje de acierto del clasificador. Como resultado se ha obtenido un clasificador con una precisión superior al 75 %.

The growth of social networks in recent years means that these media cover a large amount of information from which we can extract for various purposes. Therefore, the presented work is of great interest and motivation. In this TFG is intended to make a study about sentiment analysis in Twitter by applying Deep Learning techniques. The objective presented in this work is to know the world of Deep Learning, and to be able to create a classifier of tweets in Spanish according to the sentiment transmitted with an accuracy of at least 75 %. For this, in a first phase, we have carried out the creation of a classifier using neural networks in which we have compared the performance of various combinations of Deep Learning. A learning corpus was used as a starting point and an exploratory analysis of the various options that could be investigated was carried out in order to test which of them offered the best results. In a second phase, the best model obtained in the comparison mentioned in the previous paragraph was optimized in order to try to improve the classifier’s success rate. As a result, a classifier with an accuracy of over 75% was obtained.