Análisis de sentimientos usando la red social Twitter ¿qué sintieron los turistas que volaron en 2020 con seleccionadas aerolíneas sudamericanas?

Autores/as

  • Cristian Von Matuschka Universidad Nacional de Cuyo . Facultad de Filosofía y Letras. Instituto de Investigaciones en Turismo e Identidad

Palabras clave:

aprendizaje automático, turismo 2020, análisis de sentimientos, industria aeronáutica

Resumen

La activación del turismo es uno de los asuntos claves más importantes para la industria aeronáutica. Internet contiene mucha información sobre el turista. Analizar dicha información es una tarea significativa y desafiante. En este trabajo, se propone analizar la opinión de los turistas que viajaron en determinadas aerolíneas sudamericanas, mediante la técnica de análisis de sentimientos, a través del estudio de los mensajes de sus clientes. El recurso a utilizar para el análisis es la información en twitter, creada por clientes de determinadas dichas aerolíneas. Primero, se presenta un método para extraer las frases publicadas relacionadas con las ubicaciones de destino y los “hashtags”. Luego, se analizó la polaridad de los tweets extraídos; creando opiniones positivas, negativas y eventualmente neutras. Para el proceso, se empleó un enfoque de aprendizaje automático sin supervisión que utiliza palabras semilla. El resultado experimental sobre la clasificación muestra la eficacia del método aplicado. Se adjuntan los resultados preliminares (descriptivos) así como la propuesta base para un modelo predictivo.

Citas

Balabantaray, R., Mohammad, M. & Sharma, N. (2012): Multi-class twitter emotion classification: a new approach, Int. J. Appl. Inform. Syst. 4 (1), 48–53.

Go, A., Bhayani, R. & Huang, L. (2009): Twitter sentiment classification using distant supervision, in: CS224N Project Report, Stanford 1, 12.

Hermanto, D., Ziaurrahman, M., Bianto, M. & Setyanto, A. (2018): Twitter Social Media Sentiment Analysis in Tourist - Destinations Using Algorithms Naive Bayes Classifier, Journal of Physics, p. 2.

Higashiyama, M., Inui, K. & Matsumoto, Y. (2008): Acquiring noun polarity knowledge using selectional preferences. 14nd Annual Meeting of the Association for Natural Language Processing, pp. 584– 587.

Kazutaka, S., Inoue, S., Maeda, H. & Endo, T. (2009): Analyzing Tourism Information on Twitter for a Local City, Hiroshi Maeda and Tsutomu Endo, Department of Artificial Intelligence, Kyushu Institute of Technology, p. 5.

Kobayashi, N., Inui, K., Matsumoto, Y., Tateishi, K. & Fukushima, T. (2004): Collecting evaluative expressions for opinion extraction. Proceedings of the First International Joint Conference on Natural Language Processing, pp. 584–589.

Lai, C., Tao, Y., Xu, F., Wing, W., Jia, Y., Yuan, H. & Locatelli, G. (2019): A robust correlation analysis framework for imbalanced and dichotomous data with uncertainty. Information Sciences. pp. 58–77.

Mohammad, S.M., Kiritchenko, S. & Zhu, X. (2013): NRC-Canada: building the state-of-the-art in sentiment analysis of tweets, in: Joint Conference on Lexical and Computational Semantics.

Pang B., Lee L. & Vaithyanathan S. (2002): Thumbs up? sentiment classification using machine learning techniques. Conference on Empirical Methods in Natural Language Processing, pp. 79–86.

Pang, B. & Lee, L. (2008): Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval.

Pozzi, F.A., Maccagnola, D., Fersini, E. & Messina, E. (2013): Enhance user-level sentiment analysis on microblogs with approval relations, in: AI*IA 2013: Advances in Artificial Intelligence, Springer, New York, pp. 133–144.

Pozzia, F.A., Fersinib, E., Messinab, E. & Liuc, S. (2017): Challenges of sentiment analysis in social networks: an overview, Sentiment Analysis in Social Networks, pp. 16-17.

Rokach, L. & Maimon, O. (2008): Data mining with decision trees: theory and applications. World Scientific Pub.

Saito, H. (2011): Analysis of tourism informatics on web. Journal of the Japanese Society for Artificial Intelligence, pp. 234–240.

Shafer, J., Agrawal, R. & Mehta. M. (2000): A Scalable Parallel Classifier for Data Mining. Springer.

Shimada, K., Yamaumi, M., Tadano, R., Hadano, M. & Endo, T. (2010): Interactive aspect summarization using word-aspect relations for review documents. 5th International Conference on Soft Computing and Intelligent Systems and 11th International Symposium on Advanced Intelligent Systems, pp. 189–188.

Simon, D. & Gómez, M. (2014): Customer Satisfaction, Competition, and Firm Performance, Managerial and Decision Economics. Vol. 35, No. 6, pp. 371-386.

Tan, C., Lee, L., Tang, J., Jiang, L., Zhou, M. & Li, P. (2011): User-level sentiment analysis incorporating social networks, in: Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, pp. 1397–1405.

Tang, D., Wei, F., Yang, N., Zhou, M., Liu, T. & Qin, B. (2014): Learning sentiment-specific word embedding for twitter sentiment classification, in: Annual Meeting of the Association for Computational Linguistics.

Tokuhisa, M., Okumura, H. & Murata, M. (2011): Sentiment analysis of weblog articles to support tourism development. Journal of Society for Tourism Informatics, 7(1), pp. 85–98.

Turney, P. (2002): Thumbs up? or thumbs down? semantic orientation applied to unsupervised classification of reviews. 40th Annual Meeting of the Association for Computational Linguistics, pp. 417–424.

West, R., Paskov, H.S., Leskovec, J. & Potts, C. (2014): Exploiting social network structure for person-to-person sentiment analysis, Trans. Assoc. Comput. Linguist. 2, pp. 297–310.

Descargas

Publicado

30-06-2021

Número

Sección

Artículos