En el análisis de sentimientos o minería de opiniones, la extracción de opiniones textuales es una tarea muy importante, que puede mejorar la precisión a la hora de analizar información y hacer aportes a la toma de decisiones. El aprendizaje profundo combina varios algoritmos o estrategias, y estos algoritmos o estrategias han obtenido resultados relevantes en diversas tareas del procesamiento del lenguaje natural.Hay varios artículos de revisión sobre análisis de sentimientos, que consideran el aprendizaje profundo como una de las tecnologías existentes en extracción, que involucra el aprendizaje profundo. Sin embargo, ningún artículo de revisión discute específicamente el uso del análisis en profundidad en el análisis de sentimientos. El propósito de este artículo es realizar un análisis crítico y comparativo de las principales recomendaciones y trabajos de revisión, que utilizan estrategias de aprendizaje profundo para extraer aspectos y profundizar en la forma de representaciones, modelos, resultados y conjuntos de datos utilizados en este informe.
Desde principios del siglo XXI, el análisis de sentimientos o la minería de opiniones ha sido un campo de investigación muy activo en el campo del procesamiento del lenguaje natural (PNL) (Hu y Liu, 2004) - (Das y Chen, 2004). 2001). La investigación de opinión está relacionada con campos sociales, como la salud, el gobierno, la economía, etc. En los últimos años, ha aumentado el asesoramiento empresarial mediante el análisis de sentimientos. Las nuevas empresas y las grandes empresas, como Microsoft, Google, Hewlett-Packard y Adobe, han presentado sugerencias para analizar las opiniones de sus productos o servicios o productos y servicios de terceros (Liu, 2015).La minería de opiniones o análisis de sentimientos es un estudio computacional (Liu, 2015) - (Liu, 2012) de las opiniones, evaluaciones, actitudes y emociones de las personas expresadas en productos, servicios, organizaciones, individuos y eventos. Las investigaciones y recomendaciones existentes tienen alcance (características) a nivel de documento, oración o aspecto. Aunque en muchos casos el análisis a nivel de documento y frase es muy ventajoso, no hay garantía de que obtendrá mucha información sobre el tema de la opinión. Para realizar un análisis más profundo de las opiniones, es necesario trabajar a todos los niveles.
El análisis del sentimiento a nivel de aspecto permite un análisis más detallado del sentimiento expresado por el autor del texto analizado. Para realizar este tipo de análisis de manera eficaz, primero es necesario determinar las entidades que existen en la parte de la oración analizada (frase, oración o párrafo). Estas entidades deben asociarse con los aspectos que las describen, y luego categorizar los sentimientos relacionados con este conjunto de información (entidades, aspectos).
Sobre el uso del aprendizaje profundo en el análisis de sentimientos se ha escrito muchos trabajos, inicialmente centrándose en la mayoría de la gente piensa que todas las opiniones son polares documentos u oraciones que los expresen. Debido a que se han informado los resultados del uso de la tecnología, y se han Publicado varios artículos y propuso soluciones para las tareas de ABSA.
Se emplean herramientas como:
Memoria a corto plazo: LSTM es una extensión de RNN, que resuelve el problema de la desaparición y explosión del gradiente de RNN. Usan el concepto de puertas para neuronas. Cada una de estas puertas calcula un valor entre 0 y 1 según su entrada. Incluyendo el mecanismo de bucle de retroalimentación de RNN para almacenar información, cada neurona en LSTM (llamada unidad de almacenamiento) tiene una puerta de olvido de multiplicación, una puerta de lectura y una puerta de escritura. Estas puertas controlan el acceso a la información en las neuronas y evitan la interferencia de datos de entrada irrelevantes.
Máquina de Boltzmann restringida: RBM es una red neuronal aleatoria compuesta por dos capas: una capa visible que contiene entradas conocidas y una capa oculta que contiene variables latentes. En comparación con la máquina de Boltzman, la reconstrucción de RBM se puede aplicar a la conexión de neuronas. RBM construye un gráfico bipartito, como se muestra en la Figura 6, por lo que las neuronas en la capa visible deben estar conectadas a todas las neuronas en la capa oculta, pero no hay conexión entre dos unidades en la misma capa. En estas redes, el sesgo de la capa de entrada está conectado a todas las neuronas de esa capa (lo mismo ocurre con el sesgo de la capa oculta).
Referencias:
https://www.redalyc.org/pdf/5157/515754427013.pdf
https://www.redalyc.org/pdf/5157/515751574030.pdf