1 |
Cross-Domain Polarity Models to Evaluate User eXperience in E-learning
|
|
|
|
BASE
|
|
Show details
|
|
2 |
Resum abstractiu de noticies basat en xarxes neuronals ; Resumen abstractivo de noticias basado en redes neuronales
|
|
|
|
BASE
|
|
Show details
|
|
3 |
Aprendizaje automático para la detección de humor en Twitter
|
|
|
|
BASE
|
|
Show details
|
|
4 |
Extractive summarization using siamese hierarchical transformer encoders
|
|
|
|
BASE
|
|
Show details
|
|
5 |
Transformer based contextualization of pre-trained word embeddings for irony detection in Twitter
|
|
|
|
BASE
|
|
Show details
|
|
6 |
Summarization of Spanish Talk Shows with Siamese Hierarchical Attention Networks
|
|
|
|
BASE
|
|
Show details
|
|
7 |
Siamese hierarchical attention networks for extractive summarization
|
|
|
|
BASE
|
|
Show details
|
|
8 |
Choosing the right loss function for multi-label Emotion Classification
|
|
|
|
BASE
|
|
Show details
|
|
9 |
Creación de un corpus de artículos de prensa y generación automática de resúmenes
|
|
|
|
BASE
|
|
Show details
|
|
11 |
Análisis de sentimientos a nivel de aspecto usando ontologías y aprendizaje automático ; Aspect-based sentiment analysis using ontologies and machine learning
|
|
|
|
Abstract:
En este artículo se presenta un sistema de análisis de sentimientos a nivel de aspecto que permite extraer automáticamente las características de una opinión y determinar la polaridad asociada. El sistema propuesto está basado en un modelo que utiliza ontologías de dominio para la detección de los aspectos y un clasificador basado en Máquinas de Soporte Vectorial para la asignación de la polaridad a los aspectos detectados. El trabajo experimental se ha realizado utilizando el conjunto de datos desarrollado para la Tarea 5, Sentence-level ABSA en SemEval 2016 para el español. El sistema propuesto ha obtenido un 73.07 en F1 en la extracción de aspectos (slot2) y un 46.24 de F1 en la subtarea conjunta de categorización y extracción de aspectos (slot1,2) utilizando una aproximación basada en ontologías. Para la subtarea de clasificación de sentimientos (slot3) se ha obtenido una Accuracy de 84.79% utilizando una aproximación basada en el uso de Máquinas de Soporte Vectorial y lexicones de polaridad. Estos valores superan los mejores resultados obtenidos en SemEval. ; In this paper, we present an aspect-based sentiment analysis system that allows to automatically extract the characteristics of an opinion and to determine their associated polarity. The proposed system is based on a model that uses domain ontologies for the detection of aspects and a classifier based on the Support Vector Machines formalism for assigning the polarity to the detected aspects. The experimental work was conducted using the dataset developed for Task 5, Sentence-level ABSA in SemEval 2016 for Spanish. The proposed system has obtained a 73.07 in F1 in the aspect extraction subtask (slot2) and a 46.24 of F1 in the categorization and aspect extraction subtask (slot1,2) using an ontology-based approach. For the sentiment classification subtask (slot3) an 84.79% in terms of Accuracy has been obtained using an approach based on Support Vector Machines and polarity lexicons. These results are better than those reported in SemEval. ; Este trabajo ha sido parcialmente subvencionado por el proyecto ASLP-MULAN: Audio, Speech and Language Processing for Multimedia Analytics (MINECO TIN2014-54288-C4-3-R y fondos FEDER). La estancia realizada, de enero a marzo de 2017, por Carlos Henríquez en la UPV, ha sido subvencionado por el programa Colciencias (convocatoria 727), Universidad Nacional de Medellín y Universidad Autónoma del Caribe Barranquilla.
|
|
Keyword:
Análisis de sentimientos a nivel de aspecto; Aspect-based sentiment analysis; Lenguajes y Sistemas Informáticos; Máquinas de soporte vectorial; Ontologías; Ontologies; Support vector machines
|
|
URL: http://hdl.handle.net/10045/69091
|
|
BASE
|
|
Hide details
|
|
12 |
Aprendizaje profundo para el procesamiento del lenguaje natural
|
|
|
|
BASE
|
|
Show details
|
|
13 |
Traducción Automática usando conocimiento semántico en un dominio restringido ; Automatic translation using semantic knowledge in a restricted domain
|
|
|
|
BASE
|
|
Show details
|
|
14 |
Traducción Automática usando conocimiento semántico en un dominio restringido ; Automatic translation using semantic knowledge in a restricted domain
|
|
|
|
BASE
|
|
Show details
|
|
15 |
A Train-on-Target Strategy for Multilingual Spoken Language Understanding
|
|
|
|
BASE
|
|
Show details
|
|
16 |
Language identification of multilingual posts from Twitter: a case study
|
|
|
|
BASE
|
|
Show details
|
|
17 |
Multilingual Spoken Language Understanding using graphs and multiple translations
|
|
|
|
BASE
|
|
Show details
|
|
|
|