Análisis de sentimientos para Twitter con Vader y TextBlob

Autores/as

DOI:

https://doi.org/10.35290/ro.v2n3.2021.494

Palabras clave:

Twitter, sentimientos, algoritmos, precision, python

Resumen

El análisis de sentimientos constituye una herramienta fundamental para el éxito de las actividades orientadas al público. Las redes sociales se han consagrado como un escenario válido para realizar este análisis, especialmente Twitter, que ofrece un API libre para la obtención de datos. El proceso para análisis de sentimientos incluye etapas de descarga, utilizando la librería Tweepy, depuración implementando métodos para eliminar símbolos que no aporten en el sentimiento del tuit y análisis con dos librerías: Vader y TextBlob. Estas devuelven un porcentaje que define si el tuit es positivo o negativo; sin embargo, cada una funciona con un algoritmo y entrenamiento diferente que ocasiona discrepancia en los resultados, TextBlob presentó mayor precisión. La parte final del análisis constituyen en el cálculo de métricas: precisión, exactitud, sensibilidad, especificidad y matriz de confusión.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Barrios Arce, J. (26 de Julio de 2019). La matriz de confusión y sus métricas. Health Big Data https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/

Cambria, E., & Hussain, A. (2012). Sentic computing. marketing, 59(2), 557-577. https://doi.org/10.1007/978-94-007-5070-8_4

Hutto, C., & Gilbert, E. (2014). Vader: A parsimonious rule-based model for sentiment analysis of social media text. In Proceedings of the International AAAI Conference on Web and Social Media, 8(1).

Mejía Llano, J. (17 de marzo de 2021). ESTADÍSTICAS DE REDES SOCIALES 2021: USUARIOS DE FACEBOOK, INSTAGRAM, YOUTUBE, LINKEDIN, TWITTER, TIKTOK Y OTROS. https://www.juancmejia.com/marketing-digital/estadisticas-de-redes-sociales-usuarios-de-facebook-instagram-linkedin-twitter-whatsapp-y-otros-infografia/#4_Usuarios_activos_de_Twitter

Mendoza, M. (1994). Técnicas de observación directa para estudiar interacciones sociales infantiles entre los Toba. RUNA, archivo para las ciencias del hombre, 21(1), 241-262. https://doi.org/10.34096/runa.v21i1.1400

NLTK Project. (20 de abril de 2021). NLTK 3.6.2 documentation. https://www.nltk.org/

Pauli, P. A. (2019). Análisis de sentimiento - Comparación de algoritmos predictivos y métodos utilizando un lexicon expañol. [Tesis de grado, Instituto Tecnológico Buenos Aires] Repositorio ITBA. http://ri.itba.edu.ar/handle/123456789/1782

Roman, V. (25 de abril de 2019). Algoritmos Naive Bayes: Fundamentos e Implementación. Medium. https://medium.com/datos-y-ciencia/algoritmos-naive-bayes-fudamentos-e-implementaci%C3%B3n-4bcb24b307f

Romero Vega, R. (2021). Análisis de sentimientos en twitter para descubrir contenido xenófobo hacia los inmigrantes venezolanos en Ecuador. [Tesis de grado, Universidad Nacional de Loja] Repositorio UNL. https://dspace.unl.edu.ec/jspui/handle/123456789/23796

Twitter. (2021). Developer Platform. https://developer.twitter.com/en/docs/projects/overview

Universidad de Alcalá. (s.f). Lenguajes de programación para data science. https://www.master-data-scientist.com/lenguajes-programacion-data-science/

Vélez Bravo, (2020). Aplicativo para detectar conductas violentas en Twitter, a través de análisis de sentimientos. [Tesis de grado, Universidad Central del Ecuador]. Repositorio digital UCE. http://www.dspace.uce.edu.ec/handle/25000/20926

Publicado

2021-10-10

Cómo citar

Alemán Viteri, S. B. (2021). Análisis de sentimientos para Twitter con Vader y TextBlob . REVISTA ODIGOS, 2(3), 9–25. https://doi.org/10.35290/ro.v2n3.2021.494

Número

Sección

Artículos