Casos NAvas

Análisis Automatizado de Sentimiento en Textos Breves de la
Plataforma Twitter
Fernando Balbachan
Facultad de Filosofía y Letras, Universidad de Buenos Aires (UBA)
Buenos Aires, Argentina
Socialmetrix - NLP Research
fbalbachan@socialmetrix.com
Diego Dell'Era
Facultad de Filosofía y Letras, Universidad de Buenos Aires (UBA)
Buenos Aires, Argentina
Socialmetrix - NLP Researchddellera@socialmetrix.com

Abstract
In Computational Linguistics or Natural Language Processing (NLP), Sentiment Analysis in
opinionated text is one of the most challenging standard tasks. Although some unsupervised
learning approaches based on machine learning use statistical techniques such as Bayesian
classifiers, semantic-oriented bigrams, etc. [1], the most successful works in the field lean onlexical-grammar resources under the form of ontologies with sentiment values and several basic
syntax rules.
Our solution is based on such symbolic paradigm of lexical-grammar resources and local and global
syntax rules. We detect early hints such as emoticons in order to come up with sentiment verdicts.
Then, we pre-process the text by standardizing it and segment it into significant unitssmaller than
sentences. Those small units are processed by a lemmatizer (Freeling) with POS-tagging optimized
for Spanish. Thus, we get accurate lemmata for each unit of analysis. Those lemmata are valued by
our own ontology -similar to SentiWordNet [2]- with more than 4,000 hand-annotated lemmata.
Finally, we apply rules for modal changes in negated structures or modal subjunctive and polarityshifters for phrases such as sin respeto, imposible de enojarse, etc.
Keywords: Sentiment Analysis, Opinion mining, Ontologies, Freeling, SentiWordNet.

Resumen
En el área de la Lingüística Computacional o Procesamiento de Lenguaje Natural (PLN), una de las
tareas estándares más desafiantes es el análisis de sentimiento (sentiment analysis) en texto
opinionado. Aunque algunos enfoques deaprendizaje no supervisado (machine learning) hacen uso
de técnicas estadísticas como clasificadores bayesianos, bigramas de orientación semántica, etc. [1],
los trabajos más exitosos en el campo recurren a recursos léxico-gramaticales bajo la forma de una
ontología con valoración de sentimiento y diversas reglas de sintaxis básica.
Nuestra solución sigue tal enfoque simbólico de recursosléxico-gramaticales y reglas de sintaxis

local y global. En forma temprana detectamos indicios como emoticones para dar veredictos de
sentimiento. Luego, pasamos a la etapa de pre-procesamiento de texto: estandarización del texto y
segmentación en unidades significativas menores a la oración, las cuales pasan a ser procesadas por
un lematizador optimizado para el español (Freeling) con anotaciónmorfosintáctica (POS-tagging).
De esta manera, obtenemos lemas muy confiables por cada unidad de análisis, los cuales son
valorados por nuestra propia ontología -similar a SentiWordNet [2]- con más de 4.000 lemas
anotados a mano. Finalmente, aplicamos reglas de cambios de modalidad para estructuras negadas y
subjuntivo con modalidad irreal y reglas de polaridad para frases como sin respeto,imposible
enojarse, etc.
Palabras claves: Análisis de sentimiento, Minería de texto opinionado, Ontologías, Freeling,
SentiWordNet.

1. INTRODUCCION
En el área de la Lingüística Computacional o Procesamiento de Lenguaje Natural (PLN), una de las
tareas estándares es el análisis de sentimiento (sentiment analysis) en texto opinionado. La
dificultad de la tarea se percibe en que la medida deefectividad de estos mecanismos
computacionales no llega, en general, al 85%. Incluso para los propios hablantes resulta a veces
problemático dar un veredicto de análisis de sentimiento sobre un texto opinionado, ya que el
soporte lingüístico de nuestras opiniones involucra frecuentemente fenómenos simultáneos
pertenecientes a la estructura sintáctica, semántica, pragmática y discursiva del...