Análisis de la respuesta emocional en redes sociales usando técnicas de aprendizaje automático

Abstract

En el trabajo realizado se aborda la problemática de analizar las respuestas emocionales acaecidas en las redes sociales mediante técnicas de aprendizaje automático. El crecimiento exponencial sufrido por las plataformas de redes sociales ha vuelto crucial la necesidad de comprender las emociones que evocan los usuarios al escribir mensajes en la misma. El objetivo de este TFG es realizar un estudio mediante el cual se analicen los sentimientos reflejados en mensajes de Twitter y de Twitch, ya que son dos de las redes sociales más utilizadas, y también puede servir para medir el nivel de engagement de los creadores de contenido de las mismas. En primer lugar, se analizan los corpus con los que se va a trabajar, en este caso uno para Twitter y otro para Twitch, cada uno de ellos con un mensaje y sus correspondientes etiquetas de polaridades y sentimientos. Posteriormente, a los mensajes extraídos de los corpus se les realiza un procesado para eliminar información redundante y se normaliza la información. A continuación, dichos mensajes se pasan por un modelo de clasificación basado en Deep Learning, y en este punto se evalúa el rendimiento que presenta el modelo utilizando diferentes métricas de precisión.

The work addresses the issue of analyzing emotional responses occurring on social media platforms using machine learning techniques. The exponential growth experienced by social media platforms has made it crucial to understand the emotions evoked by users when writing messages on these platforms. The objective of this bachelor's thesis is to conduct a study in which the sentiments reflected in messages from Twitter and Twitch are analyzed, as they are two of the most widely used social media platforms. It can also serve to measure the level of engagement of content creators on these platforms. First, the corpora to be worked with are analyzed, in this case, one for Twitter and another for Twitch, each of them containing a message and their corresponding polarity and sentiment labels. Subsequently, the messages extracted from the corpora undergo processing to eliminate redundant information, and the information is normalized. Next, these messages are passed through a classification model based on Deep Learning, and at this point, the performance is evaluated.