Método de n-gramas combinados para el análisis de sentimientos en español usando SVM y Redes Neuronales

Abstract

Con los avances en Inteligencia Artificial, se ha logrado un importante progreso en la capacidad de analizar de manera masiva las opiniones de los usuarios, permitiendo determinar si son positivas o negativas. Esto supone un cambio significativo, ya que ya no es necesario que una persona califique cada opinión individualmente. El uso de la inteligencia artificial y los avances continuos en métodos de análisis sitúan este campo en una posición destacada. Sin embargo, es importante destacar que los métodos más avanzados aún no son completamente efectivos. En su mayoría, estos métodos utilizan clasificadores como SVM (Support Vector Machines) o Redes Neuronales y se basan en diferentes tamaños de n-grama, por ejemplo, bigramas. En este contexto, se propone un enfoque que busca mejorar la clasificación mediante el aprendizaje de diferentes tamaños de n-grama. Los experimentos realizados demuestran una mejora significativa en la precisión de la clasificación en comparación con el uso de un tamaño específico de n-grama. El enfoque combina unigramas, bigramas y trigramas de palabras para obtener los mejores resultados. La inclusión de diferentes tamaños de n-grama en el método es especialmente relevante, ya que permite que el clasificador cuente con una mayor cantidad de información para el análisis de sentimientos. Al utilizar únicamente un tamaño específico de n-grama, se presenta una limitación en términos de la información capturada. Al combinar unigramas, bigramas y trigramas, se enriquece la representación textual y se capturan patrones más complejos y sutiles presentes en las críticas de cine. Además, como parte de este trabajo se han realizado pruebas con diferentes variantes de SVM con el objetivo de ampliar el conocimiento en el campo de la inteligencia artificial. Al explorar estas diferentes variantes, se busca identificar la configuración óptima del clasificador SVM para el método de análisis de sentimientos. De esta manera, se contribuye al avance de la investigación académica en este campo y se proporciona información valiosa que puede ayudar a futuros investigadores a evitar la repetición de experimentos y a enfocarse en las variantes más efectivas de SVM en el análisis de sentimientos en críticas de cine.