GPLSI Emotion Analysis V1.0: Análisis de emociones en textos

Resumen de la aplicación: GPLSI Emotion Analysis v1.0 constituye un servicio web con tecnología RESTful que a su vez involucra librerías de programación útiles para sistemas de terceros. El objetivo de esta tecnología es analizar textos en idioma Inglés para detectar y clasificar las emociones expresadas. La Detección y Clasificación de Emociones en textos permite identificar y clasificar las emociones expresadas en un texto. La herramienta aquí descrita es capaz de discriminar entre el siguiente conjunto de emociones: alegría, tristeza, disgusto, miedo y sorpresa. Esta funcionalidad implica dos niveles de granularidad: emoción a nivel global (ENG) y emoción a nivel de aspectos (ENA). La ENG del texto se define como el análisis de todo el texto para determinar el estado de emoción general. La ENA determina el estado de emoción para un aspecto concreto de una entidad dentro un contexto determinado. Por ejemplo, en un mismo texto (usualmente comentarios de usuarios) se pueden expresar emociones diferentes y opuestas hacia los actores de una película y su banda sonora. Dichas funcionalidades, ENG y ENA, se basan en un algoritmo SVM (Máquina de Soporte Vectorial). Esta tecnología aplica skip-grams para extraer patrones de los textos y así compararlos con otros casos (conjunto de entrenamiento) en los que de manera segura se expresan emociones. El conjunto de entrenamiento empleado en esta herramienta ha sido: Potter, Grimms and HCAndersen. Los resultados del estado del arte se posicionan alrededor del 52% de F1. En el caso del sistema descrito aquí, se obtiene de precisión entre 54% y 65% de F1 bajo las mismas condiciones. Es importante resaltar que los clasificadores SVM se pueden actualizar y/o reemplazar para su uso en otros dominios al re-entrenarlos con otros conjuntos de entrenamientos. | Summary: GPLSI Emotion Analysis v1.0 provides a RESTful web service involving programming libraries for third-parties. The aim of this technology is to analyse English texts to detect and classify emotions in text. The emotions detected by the technology described here are: happiness, sadness, disgust, fear and surprise. This task involves two types of analysis: global emotion analysis (GEA) and aspect-based emotion analysis (ABEA). GEA allows detecting and inferring the sentiment emotion expressed in the whole text, whereas ABEA determines the sentiment emotion regarding particular aspects mentioned in it. Both functionalities are based on a Support Vector Machines (SVM) algorithm. This technology applies skip-grams techniques in order to extract lexical patterns to feed a SVM algorithm and then learn to identify and classify emotions in text. The training dataset used has been obtained from Potter, Grimms and HCAndersen. The state-of-the-art performance in Emotion Detection is set around 52% of F1. The technology described here obtains a precision between 54% and 65% of F1 under the same conditions. It is important to highlight that the SVM algorithm can be updated and/or replaced if necessary to work in other domains.