¿Cuál es un buen tema para una tesis de licenciatura en Análisis de sentimientos?

Gracias por A2A.

Además de aplicar un NN profundo al análisis de sentimientos como emocionante, otro tema que es emocionante tanto desde la perspectiva de la investigación como de la práctica es la detección de sarcasmo. Va un poco fuera del tema del análisis de sentimientos per se a la minería de opinión. La precisión y el recuerdo del análisis de sentimientos se ven afectados por las publicaciones sarcásticas. Esto se debe a que las publicaciones sarcásticas tienden a ser positivas en la superficie (de hecho, para los algoritmos convencionales, basados ​​en ML o basados ​​en reglas), pero sugieren un contexto negativo.

Hay situaciones interesantes que surgen como resultado de no reconocer el sarcasmo. Préstamo de [1]:

Usuario 1 tweet:

¡Lo estás haciendo genial! ¿Quién podría predecir los viajes pesados ​​entre #Thanksgiving y #NewYearsEve? ¡Y mal clima frío en diciembre! ¡Loca!

Respuesta de una aerolínea estadounidense importante:

¡Nos encantan las palabras amables! Muchas gracias.

Usuario 1:

wow, solo wow, creo que debería tener #sarcasm

Usuario 2:

Ahhh .. **** repeticiones. Acabo de tener una experiencia estelar con ellos en Westchester, NY la semana pasada. #CustomerSvcFail

Respuesta de una aerolínea estadounidense importante:

Gracias por el saludo Bonnie. Nos alegra saber que tuvo una experiencia # estelar volando con nosotros. Que tengas un gran día.

Usuario 2:

Usted malinterpretó mi sarcasmo que gotea. Mi experiencia en Westchester fue 1 de las peores que he tenido con ****. Y hay muchos.

[1]
Rajadesingan A. y col. Detección de sarcasmo en Twitter: un enfoque de modelado conductual Detección de sarcasmo en Twitter

El análisis de sentimientos ha sido un área de investigación desde hace bastante tiempo. Creo que gran parte de la investigación se ha realizado utilizando diferentes técnicas de aprendizaje supervisado.
Si desea probar algo diferente / nuevo, puede explorar haciendo análisis de sentimientos utilizando métodos de aprendizaje sin supervisión. Hasta donde sé, el progreso en este campo es limitado en comparación con las metodologías de aprendizaje supervisado.

También puede intentar usar el procesamiento del lenguaje natural para clasificar los sentimientos de cada palabra / oración.

Algunos documentos para que comiences: –
http://dl.acm.org/citation.cfm?i … (Un artículo clásico de Turney en 2002)
Modelo de sentimiento / tema conjunto para el análisis de sentimiento

Intenta comprobar cómo pueden ayudarte los ensayos de Supreme.

¡Espero que esto ayude!

Dado que el análisis de sentimientos ya es un área bastante bien estudiada, para una tesis de licenciatura, uno podría hacer un análisis comparativo ( alguna medida de recuerdo de precisión de la puntuación F1 – Wikipedia ) de un enfoque simple de bolsa de palabras ( digamos usando fastext o cualquier otra herramienta de código abierto para el análisis de sentimientos ) y otro modelo que tenga en cuenta el ordenamiento de palabras como RNN ( Keras tiene modelos de ejemplo que funcionan con sentimientos de película fchollet / keras . Esto tiene un texto rápido implementación también)

Otra dimensión para agregar quizás es la cantidad de datos etiquetados necesarios para que estos modelos se generalicen mucho más allá del conjunto de tren / validación.