Mineração de Texto para a Análise do Perfil Emocional de Usuários de Jogo Empático

Abstract

Daily, a large amount of data circulates on the Internet, producing a lot of information in the form of images, videos and texts. Then, it is necessary to analyze and extract these information automatically. Therefore, this work presents a case study that applies text mining to extract the emotional and sentimental profiles from the comments of the Last Day of June game users, where the results and the information extracted from the analysis of sentiments were presented. Three classification algorithms were used: Naive Bayes, Support Vector Machine (SVM) and K-Nearest Neighbors (KNN) to predict the class of elements according to the emotions or feelings identified in the comments analysis. As a result, SVM with radial kernel was the one with the best accuracy, with 79%, followed by KNN with 3 closest neighbors, with 75%, and finally, Naive Bayes, with 62%.

Avaliacao De Modelos Baseados Em Aprendizagem De Maquina Supervisionado Para Tarefas De Reconhecimento De Emocoes Em Textos Curtos.

“…Quarta etapa Na quarta etapa ocorreu a remoção das stopwords, as quais são palavras que geralmente contribuem de forma pouco significativa na identificação de características das emoções, e às vezes podem "confundir" o modelo classificador. A biblioteca NLTK dispõe de 204 stopwords em português conforme a Figura 5, na qual foram acrescentadas outras stopwords a um documento disponibilizado por [1], totalizando 769 palavras. A etapa de classificação ocorreu da mesma forma que as etapas anteriores.…”

“…O presente trabalho busca avaliar o desempenho de modelos de Aprendizado de Máquina Supervisionado para tarefas de classificação de emoções em textos curtos, para isso, optou-se por dividir as etapas de pré-processamento em 6 subetapas, com o objetivo de analisar o desempenho de técnicas comumente aplicadas em mineração de textos na performance dos modelos selecionados. A base de dados utilizada contém 173 comentários, conforme supracitado foi herdada de [1], sendo adicionados mais comentários para diversificar o conjunto, almejando a criação de um modelo mais versátil. Os comentários coletados são dos jogos empáticos The Last Day of June, The Life is Strange 1, The Life is Strange 2 , Detroit: Become Human e Brothers-A Tale of Two Sons os quais foram adquiridos de forma manual das plataformas Steam e Youtube e podem ser conferidos na base de dados disponibilizada em um arquivo excel 1 .…”

“…A base de dados utilizada contém 173 comentários, conforme supracitado foi herdada de [1], sendo adicionados mais comentários para diversificar o conjunto, almejando a criação de um modelo mais versátil. Os comentários coletados são dos jogos empáticos The Last Day of June, The Life is Strange 1, The Life is Strange 2 , Detroit: Become Human e Brothers-A Tale of Two Sons os quais foram adquiridos de forma manual das plataformas Steam e Youtube e podem ser conferidos na base de dados disponibilizada em um arquivo excel 1 . A porcentagem da distribuição dos comentários entre as três emoções pode ser consultada na Figura 2.…”

“…The Last Day of June nas polaridades positivo, negativo e neutro, utilizando recursos disponíveis na linguagem de programação R. A base de dados utilizada por[1] foi aproveitada no desenvolvimento do presente trabalho e sofreu adaptações para que os modelos implementados fossem capazes de reconhecer as emoções alegria, tristeza e surpresa. O autor utilizou 3 modelos para a classificação dos comentários em 2 sentimentos e mais o neutro.…”

“…19th CONTECSI 19th CONTECSI -INTERNATIONAL CONFERENCE ON INFORMATION SYSTEMS AND TECHNOLOGY MANAGEMENT ISSN 2448-1041 -TECSI -FEA USP SÃO PAULO/ BRAZILEste trabalho inspirou-se em[1], que buscou realizar a classificação de comentários do jogo empáticos Em[3] há a disponibilização de uma API nomeada The Emotion Mining Toolkit (EMTk), que promove uma série de métodos que permite a classificação de emoções e sentimentos em textos compatíveis com as linguagens de programação Java, Python e R. A grande vantagem da utilização desta API está na velocidade de processamento e classificação dos textos. Em uma comparação realizada pelo autor, a ferramenta EMTk foi capaz de realizar a classificação de 4000 textos em polaridade no tempo de 1 minuto e 20 segundos, enquanto a Senti4SD realizou o mesmo processo em 56 minutos e 46 segundos.…”