Introducción
En el año 2016 estaba buscando un nuevo campo de investigación, interesado en PLN orientado a la política, comenté con un compañero mis inquietudes y me dijo que la Dra. Isabel Sánchez Berriel trabajaba en ese campo. Me puse en contacto con ella, con sus directivas y con el estado del arte en este campo (Messina Group, Schmidt Futures,...), pronto comenzamos a crear un sistema sobre deeplearning con un kernel de una red neuronal para hacer estimaciones electorales en base a redes sociales, periódicos, etc. Para que detectara correctamente el idioma con la herramienta Freeling, añadimos a la base de datos (MongoDB) de conocimiento: el texto de la Wikipedia, libros y novelas de diferentes autores, artículos de periódicos,... Terabytes de texto plano en español.
El sistema comenzó en el año 2016 a capturar tweets con la API Twitter4j de un conjunto de cuentas semilla pero con un subsistema de estrella que iba captando cuentas de manera exponencial fundamentándose en los followers y en los followers de los followers... pero con la etiqueta de capturar las cuentas de zonas cercanas a un punto geográfico, de tal manera se podría tener el análisis de sentimiento de las personas que estaban en una zona en concreto: un barrio, un municipio, una isla, una comunidad autónoma,...
Tras dos años de ardua investigación, desarrollo e implementación, en mayo de 2018 publicamos la primera versión en el X Congreso Internacional de Lingüística del Corpus celebrado en Extremadura con el trabajo Técnicas de aprendizaje profundo aplicadas al análisis visual de colocaciones léxicas en español.
En este mismo año 2018, se une a nuestro grupo de investigación la Dra. María del Pilar García Díaz de la Universidad Alcalá de Henares de Madrid que añade a nuestro sistema, técnicas de neuroevolución dando unos resultados excepcionales. Y presentamos el artículo Neuroevolution techniques applied in the processing of natural language through deep learning for the analysis of texts related to the experiences in tourist destinations a las ayudas de la fundación de BBVA a los equipos de investigación.
En el año 2022 la revista científica Expert Systems with Applications acepta el artículo A novel flexible feature extraction algorithm for Spanish tweet sentiment analysis based on the context of words que publica en febrero de 2023. Con el análisis de sentimiento sobre los tweets capturados desde el 2016 hasta la actualidad, cientos de millones de tweets analizados y capturados de diferentes perfiles de diferentes ideologías políticas, de diferentes edades e intereses,...
Tras la publicación del artículo, enfoqué el sistema a realizar la intención de voto de las elecciones municipales de 2023 en el municipio de Santa Cruz de Tenerife. Los candidatos José Manuel Bermúdez (CC), Patricia Hernández (PSOE), Carlos Tarife (PP), Ramón Trujillo (Podemos SSP IUC EQUO), Enrique Arriaga (Ciudadanos) y Alejandro Santiago Gómez (Vox) se postulan a la alcaldía. ¿Cómo visualizarán las redes sociales que se van a asignar los 27 concejales?
A continuación se muestran algunas premisas que se han contemplado en el modelo antes de generar los escenarios posibles:
- Las redes sociales son cada vez una imagen más real de la sociedad. (Entrevista a Ignacio Escolar).
- El número de jóvenes que votarán en estas elecciones es mayor y por tanto la fiabilidad es de los datos en la red, es mayor reflejo de ella.
- Los resultados se ponderan en función del recuerdo de voto gracias a un proceso iterativo que ajusta los datos hasta conseguir el mínimo error posible.
- El número personas censadas en 2022, ha sido de 209.163, frente a las 208.755 censadas en 2019. (Datos extraídos de la Web del Ayuntamiento de Santa Cruz).
- El número de personas con alguna titulación universitaria en 2022 era de 42559 (20,34%), frente a las 39796 (19,06%) personas en 2019. Entre las personas con titulación universitaria hay menos abstención y Vox no cala entre los universitarios.
- La religión sigue decreciendo entre las personas más jóvenes y mayoritariamente los ateos votan a partidos de izquierda.
- Los partidos que más crecen con el voto animalista son Podemos y PP, C's y PSOE se mantienen y VOX no obtiene votos.
- En los últimos años se ha disparado el apoyo de las mujeres a los partidos de izquierda, entre otros motivos porque cuentan menos con las mujeres para sus puestos de decisión o procesos participativos. (Especialmente VOX y CC).
- Se imputan los indecisos en base a la probabilidad asignada por un modelo de Maching Learning que se entrena con variables como barrio, nivel de estudios, edad, sexo, grupo ideológico o recuerdo de voto.
- La abstención ha ido decreciendo en los últimos años.
- Este proyecto no incluye la variación de los indecisos en base al estudio de campaña electoral.
- Este proyecto no incluye ponderación de votos, por tanto, se asignará cada concejal por cada X votos.
Características técnicas con las que cuenta el sistema de información:
- Se han utilizado 3.400 horas de computo, divididas en dos secciones, una primera sección de 2.600 horas para el procedimiento de cálculo y entrenamiento de la red neuronal, y una segunda sección con 800 horas para el proceso del sondeo del municipio de Santa Cruz de Tenerife. En el proceso de entrenamiento de la red neuronal, se debe de obtener las etiquetas de cada uno de los tweets (clasificaciones).
- El tamaño de la base de datos en el momento que comenzó con la segunda sección de cálculo es de 12 Terabytes de datos y el tamaño de la red neuronal de 56 Gigabytes.
- Se han extraído los datos en ficheros de texto plano y cargados sobre R (The R Project for Statistical Computing).
Conclusiones se pueden inferir de la lógica difusa de los datos tras la segunda sección:- La entrada del PSOE en el ayuntamiento en el año 2019 ha catapultado todas las etiquetas asociadas, de estar fluctuando entre PODEMOS-SSP-IU y PP, a estar cerca de CC. 
- La caída a nivel nacional de Cs, los tweets con análisis de sentimiento positivo mayoritariamente vienen de cuentas asociadas a Cs.- El candidato Enrique Arriaga(Cs) no es conocido en Santa Cruz y pierde el trabajo de Matilde Zambudio en un 0,2%. - Patricia Hernández (PSOE) será la única mujer candidata a la alcaldía, lo cual hace que acerque el voto femenino. - Críticas muy feroces por los sectores más vulnerables de la sociedad hacia el museo Rodin, que directamente culpan a CC a pocos meses de las elecciones. El PP no se resiente por las críticas del museo Rodin.
- PP y CC penalizados por las críticas por la tarjeta de alimentos, tanto la subida del importe como por la falta de asignación en diciembre. - La concejala Evelyn Alonso genera 42,21% de sentimientos negativos y 7,03% de sentimientos positivos. - El sector del carnaval, como se pudo ver en la gráfica del etiquetado no salió lo bien que debería y los componentes de murgas y comparsas acusan a la organización y la ausencia de Bermúdez. El PP no se resiente por las críticas del carnaval.- Vecinos de la Avenida San Sebastián se muestran en contra del renombrado de la avenida. Manifestándose en la calle y colgando fotos de estas en Twitter.- Carlos Tarife gusta un 11,9% menos que Guillermo Díaz Guerra en 2019 entre los votantes del PP. - Los votantes de VOX no conocen al candidato al ayuntamiento.- Un 4% de los votantes de CC no estuvo de acuerdo con la moción de censura y penaliza a CC no apoyando a otros partidos, pero si ausentándose de temas políticos.- En año electoral, las cuentas tienen un aumento del 8,3% en temas políticos.- Hay cierta confusión en el 13,4% de las cuentas, confundiendo la política nacional de la política local.
- Hay 2763 personas universitarias con algún tipo de diploma universitario en el que la abstención es menor.- La figura de José Manuel Bermúdez (PNC-CC) crea rechazo en algunas cuentas, y los datos los aglutina mayoritariamente PSOE con un 82%, utilizando el vector de la palabra "volver" como el más usado y el vector de la palabra "alcaldesa" como el segundo vector más usado. - La etiqueta taxi, ha variado su apoyo acercándose más a PSOE (48,04%) que a CC (39,45%). - El apoyo a CC genera un ligero repute (3,80%) en los previos de la campaña por arreglos varios en la ciudad. Aunque también hay sentimientos negativos a estos arreglos por la cercanía de las elecciones.
¿Por qué hacer un proceso analítico tan determinista cuando existen Webs en las que este producto está desarrollado?
Sigma Dos, Electomanía, DataManía.... realiza sondeos electorales de manera habitual para hacerse una idea de la intención de voto. La diferencia radica en que si profundizamos en el modelo que utilizan estas grandes empresas, son muy generales y realizan el mismo análisis para el municipio de Santa Cruz de Tenerife como para el Ayuntamiento de Navalmoral de la Mata. Como cualquier software, los programas ad hoc tienen en cuenta un conjunto de parámetros del problema que no tienen en cuenta el software más generalista. Contemplar el valor añadido de nuestro Carnaval,... que Si Se Puede (SSP) en el ayuntamiento de Santa Cruz siempre ha sido un baluarte a tener en cuenta, llegando a tener 4 concejales en 2015, que en las pasadas elecciones fueron independientes a PODEMOS-IU y en estas probablemente irán juntos.
VOX no ha calado en ninguna institución canaria y se tiene un rechazo especial hacia el partido.
En el conjunto de España, mayoritariamente los votos de C's se marchan al PP, en Santa Cruz de Tenerife la única opción que se presenta como alternativa a CC es PSOE, lo cual hace que se desplacen más votos al PSOE que al PP.
La "muleta" de CC siempre sale perjudicada en las siguientes elecciones, a pesar que en esta ocasión no parece que haya desgastado mucho al PP. En el año 2015 penalizó al PP pasando de 6 concejales a 3. En el año 2011 penalizó al PSOE pasando de 5 concejales a 4.
Escenarios posibles
Escenario 1. Proporcional a 2019. Abstención al 46,62%.
El primero de los escenarios que se ha configurado al modelo es el siguiente: 166.279 personas que se tendrán en cuenta para las votaciones, de las que habrán 77519 abstenciones, 964 nulos y 1330 en blanco. Se toma la condición que en los próximos meses las progresiones se mantienen y no sufren variaciones por la campaña electoral.
En este primer escenario los resultados darían PSOE(10,93), CC(9,06), PP(4,20), PODEMOS-SSP-IU(3,91), Cs(0,64), VOX(1,43). Cada concejal se obtiene con 2982 votos con factor de error del 5,00%. Gobierno CC(9)+PP(4)+VOX(1).
Escenario 2. Mayor participación aproximadamente 7600 votos, proporcional al censo. Abstención al 44,40%.
Se tiene la consideración que la participación aumenta proporcionalmente a las personas entre 22 y 18 que en 2019 estaban entre 13 y 17. Bajando la abstención.
El segundo de los escenarios que se ha configurado al modelo es el siguiente: 166.279 personas que se tendrán en cuenta para las votaciones, de las que habrán 74014 abstenciones, 812 nulos y 1443 en blanco. Se toma la condición que en los próximos meses las progresiones se mantienen y no sufren variaciones por la campaña electoral.
En este segundo escenario los resultados darían PSOE(11,01), CC(8,93), PP(4,33), PODEMOS-SSP-IU(3,99), Cs(0,52), VOX(1,21). Cada concejal se obtiene con 3051 votos con factor de error del 5,00%. Gobierno PSOE(11)+PODEMOS-SSP-IU(3).
Escenario 3. Decreciendo la abstención.
En diciembre de 2015 la abstención fue de 30,17% en media del estado, mientras que en abril de 2019 de 24,25% en media del estado, siguiendo un progresión, podríamos pensar que la abstención podría bajar un 5,92% que en el municipio de Santa Cruz de Tenerife, llegaría a 40,70%.
El tercer de los escenarios que se ha configurado al modelo es el siguiente: 166.279 personas que se tendrán en cuenta para las votaciones, de las que habrán 64170 abstenciones, 812 nulos y 1443 en blanco. Se estima que en los meses próximos las progresiones se mantienen y no sufren variaciones por la campaña electoral.
En este tercer escenario los resultados darían PSOE(11,42), CC(8,97), PP(4,68), PODEMOS-SSP-IU(4,15), Cs(0,32), VOX(0,97). Cada concejal se obtiene con 3103 votos con factor de error del 5,00%. Gobierno PSOE(11)+PODEMOS-SSP-IU(4).
Conclusiones
- Después de haber planteado tres escenarios dependientes de la abstención, se puede determinar que la abstención perjudica a los partidos de izquierda, en especial entre la gente más joven.
- PNC-CC ha perdido crédito, pero no para dejar de tener opciones de gobierno.
- PSOE ha subido en sentimientos positivos pero no es suficiente como para asegurarse el gobierno.
- Las líneas que separan los concejales son muy finas y la campaña será determinante.
- Los datos obtenidos se deben al sentimiento positivo, negativo o neutro que ha recibido cada partido político o cada componente del partido.
- Los datos mostrados en este estudio son objetivos del entrenamiento de la red neuronal.
- Con las cuentas capturas se ha aplicado la formula del muestreo probabilístico (muestreo estatificado) para determinar las asignaciones a cada partido.
Referencias
Agarwal and Mittal, 2013
B. Agarwal, N. Mittal
Optimal feature selection for sentiment analysis
International conference on intelligent text processing and computational linguistics, Springer, Berlin (2013), pp. 13-24
Ahuja et al., 2019
R. Ahuja, A. Chug, S. Kohli, S. Gupta, P. Ahuja
The impact of features extraction on the sentiment analysis
Procedia Computer Science, 152 (2019), pp. 341-348
Ahuja et al., 2015
Ahuja, R., Rastogi, H., Choudhuri, A., & Garg, B. (2015, March). Stock market forecast using sentiment analysis. In 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom) (pp 1008-1010). IEEE.
Ahuja and Sharma, 2022
R. Ahuja, S.C. Sharma
Sentiment Analysis on Different Domains Using Machine Learning Algorithms. In Advances in Data and Information Sciences
Springer, Singapore (2022), pp. 143-153
Auxier and Anderson, 2021
B. Auxier, M. Anderson
Social media use in 2021
Pew Research Center, 1 (2021), pp. 1-4
Barbounaki et al., 2021
S.G. Barbounaki, K. Gourounti, A. Sarantaki
Advances of Sentiment Analysis Applications in Obstetrics/Gynecology and Midwifery
Materia Socio-Medica, 33 (3) (2021), p. 225
Batista and Ribeiro, 2013
F. Batista, R. Ribeiro
Sentiment analysis and topic classification based on binary maximum entropy classifiers
Procesamiento del lenguaje natural, 50 (2013), pp. 77-84
Birjali et al., 2021
M. Birjali, M. Kasri, A. Beni-Hssane
A comprehensive survey on sentiment analysis: Approaches, challenges and trends
Knowledge-Based Systems, 226 (2021), Article 107134
Cambria et al., 2022
Cambria, E., Liu, Q., Decherchi, S., Xing, F., & Kwok, K. (2022). SenticNet 7: a commonsense-based neurosymbolic AI framework for explainable sentiment analysis. Proceedings of LREC 2022.
Carvalho and Plastino, 2021
J. Carvalho, A. Plastino
On the evaluation and combination of state-of-the-art features in twitter sentiment analysis
Artificial Intelligence Review, 54 (3) (2021), pp. 1887-1936
Chan et al., 2022
J.Y.L. Chan, K.T. Bea, S.M.H. Leow, S.W. Phoong, W.K. Cheng
State of the art: A review of sentiment analysis based on sequential transfer learning
Artificial Intelligence Review (2022), pp. 1-32
Cheng et al., 2022
L.C. Cheng, Y.L. Chen, Y.Y. Liao
Aspect-based sentiment analysis with component focusing multi-head co-attention networks
Neurocomputing, 489 (2022), pp. 9-17
Choi and Cardie, 2009
Choi, Y., & Cardie, C. (2009). Adapting a polarity lexicon using integer linear programming for domain specific sentiment classification. In Proceedings of the 2009 Conference on Empirical Methods in Natural Language Processing: Volume 2-Volume 2, pages 590–598. Association for Computational Linguistics.
Coban et al., 2018
O. Coban, B.M. Ozyildirim, S.A. Ozel
An empirical study of the extreme learning machine for Twitter sentiment analysis
International Journal of Intelligent Systems and Applications in Engineering, 6 (3) (2018), pp. 178-184
Colón-Ruiz et al., 2019
C. Colón-Ruiz, I. Segura-Bedmar, P. Martínez
Análisis de Sentimiento en el dominio salud: Analizando comentarios sobre fármacos
Procesamiento del Lenguaje Natural, 63 (2019), pp. 15-22
Corallo et al., 2020
A. Corallo, L. Fortunato, A. Massafra, P. Pasca, M. Angelelli, M. Hobbs, …, E. Ciavolino
Sentiment analysis of expectation and perception of MILANO EXPO2015 in twitter data: A generalized cross entropy approach
Soft Computing, 24 (18) (2020), pp. 13597-13607
Daas and Puts, 2014a
P. Daas, M. Puts
Big data as a source of statistical information
The Survey Statistician, 69 (2014), pp. 22-31
Daas and Puts, 2014b
Daas, P., & Puts, M. (2014b). Social media sentiment and consumer confidence. European Central Bank Statistics paper series No. 5, Frankfurt Germany.
Das et al., 2018
A.K. Das, S. Sengupta, S. Bhattacharyya
A group incremental feature selection for classification using rough set theory based genetic algorithm
Applied Soft Computing, 65 (2018), pp. 400-411
De Oliveira and Merschmann, 2021
D.N. de Oliveira, L.H.D.C. Merschmann
Joint evaluation of preprocessing tasks with classifiers for sentiment analysis in Brazilian Portuguese language
Multimedia Tools and Applications, 80 (10) (2021), pp. 15391-15412
Devi and Chingangbam, 2021
Devi, W. R., & Chingangbam, C. (2021). Sentiment Analysis for Electoral Prediction Using Twitter Data. In Emerging Technologies in Data Mining and Information Security (pp. 25-33). Springer, Singapore.
Devlin et al., 2018
Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Díaz Galiano et al., 2019
M.C. Díaz Galiano, M.Á. García Cumbreras, M. García Vega, Y. Gutiérrez, E.M. Cámara, A. Piad Morffis, J. Villena Román
TASS 2018: The strength of deep learning in language understanding tasks
Procesamiento del Lenguaje Natural, 62 (2019), pp. 77-84
Díaz-Galiano et al., 2019
Díaz-Galiano, M. C., Vega, M. G., Casasola, E., Chiruzzo, L., Cumbreras, M. Á. G., Cámara, E. M., ... & Miranda-Jiménez, S. (2019b). Overview of TASS 2019: One More Further for the Global Spanish Sentiment Analysis Corpus. In IberLEF@ SEPLN (pp. 550-560).
Díaz Galiano et al., 2018
Díaz Galiano, M. C., Martínez Cámara, E., García Cumbreras, M. Á., García Vega, M., & Villena Román, J. (2018). The democratization of deep learning in TASS 2017.
Duong and Nguyen-Thi, 2021
H.T. Duong, T.A. Nguyen-Thi
A review: Preprocessing techniques and data augmentation for sentiment analysis
Computational Social Networks, 8 (1) (2021), pp. 1-16
View PDF
This article is free to access.
Rahman et al., 2019
El Rahman, Sahar A., Alotaibi, F. A., & Alshehri, W. A. (2019). Sentiment analysis of twitter data. In 2019 international conference on computer and information sciences (ICCIS). IEEE, pp 1-4.
El-Halees, 2015
A.M. El-Halees
Arabic text classification using maximum entropy
IUG Journal of Natural Studies, 15 (1) (2015)
Falkenauer, 1993
E. Falkenauer
The grouping genetic algorithms: Widening the scope of the GA's
JORBEL-Belgian Journal of Operations Research, Statistics, and Computer Science, 33 (1–2) (1993), pp. 79-102
Fan et al., 2022
Q. Fan, Y. Bi, B. Xue, M. Zhang
Genetic programming for feature extraction and construction in image classification
Applied Soft Computing, 118 (2022), Article 108509
Fernández Vítores, 2020
Fernández Vítores, D. (2020). El español: una lengua viva. Informe 2019. Instituto Cervantes. https://cvc.cervantes.es/lengua/espanol_lengua_viva/pdf/espanol_lengua_viva_2019.pdf.
Forrest, 1996
Forrest, S. (1996). Genetic algorithms. ACM Computing Surveys (CSUR), 28(1), 77-80.
García-Cumbreras et al., 2016
M. García-Cumbreras, E. Martínez-Cámara, J. Villena-Román, J.G. Morera
TASS 2015 - The evolution of the Spanish opinion mining systems
Procesamiento de Lenguaje Natural, 56 (2016), pp. 33-40
García-Cumbreras et al., 2016b
García-Cumbreras, M. A., Villena-Román, J., Martínez-Cámara, E., Díaz-Galiano, M. C., Martín-Valdivia, M. T. & Ureña López, L. A. (2016b). Overview of tass 2016. In TASS 2016: Workshop on Sentiment Analysis at SEPLN, pp 13-21.
García-Díaz et al., 2020
P. García-Díaz, I. Sánchez-Berriel, J.A. Martínez-Rojas, A.M. Diez-Pascual
Unsupervised feature selection algorithm for multiclass cancer classification of gene expression RNA-Seq data
Genomics, 112 (2) (2020), pp. 1916-1925
García-Mendoza et al., 2020
C.V. García-Mendoza, O.J. Gambino, M.G. Villarreal-Cervantes, H. Calvo
Evolutionary optimization of ensemble learning to determine sentiment polarity in an unbalanced multiclass corpus
Entropy, 22 (9) (2020), p. 1020
Gokalp et al., 2020
O. Gokalp, E. Tasci, A. Ugur
A novel wrapper feature selection algorithm based on iterated greedy metaheuristic for sentiment classification
Expert Systems with Applications, 146 (2020), Article 113176
Gondhi et al., 2022
Gondhi, N. K., Sharma, E., Alharbi, A. H., Verma, R., & Shah, M. A. (2022). Efficient Long Short-Term Memory-Based Sentiment Analysis of E-Commerce Reviews. Computational Intelligence and Neuroscience, 2022.
Gu et al., 2018
Gu, Y. H., Yoo, S. J., Jiang, Z., Lee, Y. J., Piao, Z., Yin, H., & Jeon, S. (2018, January). Sentiment analysis and visualization of Chinese tourism blogs and reviews. In 2018 International Conference on Electronics, Information, and Communication (ICEIC), pp 1-4. IEEE.
Hassan et al., 2020
S.U. Hassan, N.R. Aljohani, N. Idrees, R. Sarwar, R. Nawaz, E. Martínez-Cámara, …, F. Herrera
Predicting literature’s early impact with sentiment analysis in Twitter
Knowledge-Based Systems, 192 (2020), Article 105383
Hossain et al., 2018
M.A. Hossain, Y.K. Dwivedi, C. Chan, C. Standing, A.S. Olanrewaju
Sharing political content in online social media: A planned and unplanned behaviour approach
Information Systems Frontiers, 20 (3) (2018), pp. 485-501
Hughes, 1968
G.F. Hughes
On the mean accuracy of statistical pattern recognizers
IEEE Transactions on Information Theory, 14 (1) (1968), pp. 55-63, 10.1109/TIT.1968.1054102
Ikram et al., 2022
A. Ikram, M. Kumar, G. Munjal
Twitter Sentiment Analysis using Machine Learning
In 2022 12th International Conference on Cloud Computing, Data Science & Engineering (Confluence). IEEE (2022), pp. 629-634
Imran et al., 2018
Imran, M., Akhtar, A., Said, A., Safder, I., Hassan, S. U., & Aljohani, N. R. (2018, September). Exploiting social networks of Twitter in altmetrics big data. In STI 2018 Conference Proceedings (pp. 1339-1344). Centre for Science and Technology Studies (CWTS).
Iqbal et al., 2019
F. Iqbal, J.M. Hashmi, B.C. Fung, R. Batool, A.M. Khattak, S. Aleem, P.C. Hung
A hybrid framework for sentiment analysis using genetic algorithm based feature reduction
IEEE Access, 7 (2019), pp. 14637-14652
Jagdale et al., 2022
Jagdale, J., Reha, A. Y., & Emmanuel, M. (2022). Sentimental Evaluation of Sensitive Tweets Using Hybrid Sentiment Analysis Model. In Proceedings of Third International Conference on Intelligent Computing, Information and Control Systems (pp 889-897). Springer, Singapore.
Jain and Jain, 2022
A. Jain, V. Jain
Sentiment classification using hybrid feature selection and ensemble classifier
Journal of Intelligent & Fuzzy Systems, 42 (2) (2022), pp. 659-668
Khosravinik, 2018
M. Khosravinik
Social media techno-discursive design, affective communication and contemporary politics
Fudan Journal of the Humanities and Social Sciences, 11 (4) (2018), pp. 427-442
Kwayu et al., 2021
S. Kwayu, M. Abubakre, B. Lal
The influence of informal social media practices on knowledge sharing and work processes within organizations
International Journal of Information Management, 58 (2021), Article 102280
Li et al., 2022
H. Li, Q. Chen, Z. Zhong, R. Gong, G. Han
E-word of mouth sentiment analysis for user behavior studies
Information Processing & Management, 59 (1) (2022), Article 102784
Liang et al., 2021
B. Liang, R. Yin, J. Du, L. Gui, Y. He, M. Yang, R. Xu
Embedding Refinement Framework for Targeted Aspect-based Sentiment Analysis
IEEE Transactions on Affective Computing (2021)
Liu, 2012
B. Liu
Sentiment analysis and opinion mining
Synthesis lectures on human language technologies, 5 (1) (2012), pp. 1-167
Madasu and Elango, 2020
A. Madasu, S. Elango
Efficient feature selection techniques for sentiment analysis
Multimedia Tools and Applications, 79 (9) (2020), pp. 6313-6335
Madhu, 2018
S. Madhu
An approach to analyze suicidal tendency in blogs and tweets using Sentiment Analysis
International Journal of Scientific Research in Computer Science, 6 (4) (2018), pp. 34-36
Mhamed et al., 2021
Mhamed, M., Sutcliffe, R., Sun, X., Feng, J., Almekhlafi, E., & Retta, E. A. (2021). Improving Arabic Sentiment Analysis Using CNN-Based Architectures and Text Preprocessing. Computational Intelligence and Neuroscience, 2021.
Mikolov et al., 2013
Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in neural information processing systems, 26.
Mudinas et al., 2019
A. Mudinas D. Zhang M. Levene Market trend prediction using sentiment analysis: Lessons learned and paths forward 2019 arXiv preprint arXiv:1903.05440.
Naeem and Ozuem, 2021
M. Naeem, W. Ozuem
Customers' social interactions and panic buying behavior: Insights from social media practices
Journal of Consumer Behaviour, 20 (5) (2021), pp. 1191-1203
Naseem et al., 2020
U. Naseem, I. Razzak, K. Musial, M. Imran
Transformer based deep intelligent contextual embedding for twitter sentiment analysis
Future Generation Computer Systems, 113 (2020), pp. 58-69
Ni and Cao, 2020
Ni, R., & Cao, H. (2020). Sentiment Analysis based on GloVe and LSTM-GRU. In 2020 39th Chinese Control Conference (CCC) pp 7492-7497. IEEE.
Google Scholar
Nigam et al., 1999
Nigam, K., Lafferty, J., & McCallum, A. (1999, August). Using maximum entropy for text classification. In IJCAI-99 workshop on machine learning for information filtering Vol. 1(1), pp 61-67.
Nilashi et al., 2021
M. Nilashi, H. Ahmadi, G. Arji, K.O. Alsalem, S. Samad, F. Ghabban, …, A.A. Alarood
Big social data and customer decision making in vegetarian restaurants: A combined machine learning method
Journal of Retailing and Consumer Services, 62 (2021), Article 102630
Nistor et al., 2021
S.C. Nistor, M. Moca, D. Moldovan, D.B. Oprean, R.L. Nistor
Building a twitter sentiment analysis system with recurrent neural networks
Sensors, 21 (7) (2021), p. 2266
Onan, 2022
A. Onan
Bidirectional convolutional recurrent neural network architecture with group-wise enhancement mechanism for text sentiment classification
Journal of King Saud University-Computer and Information Sciences, 34 (5) (2022), pp. 2098-2117
Onan and Korukoğlu, 2017
A. Onan, S. Korukoğlu
A feature selection model based on genetic rank aggregation for text sentiment classification
Journal of Information Science, 43 (1) (2017), pp. 25-38
Osmani et al., 2022
A. Osmani, J.B. Mohasefi, F.S. Gharehchopogh
Sentiment classification using two effective optimization methods derived from the artificial bee colony optimization and imperialist competitive algorithm
The Computer Journal, 65 (1) (2022), pp. 18-66
Passi and Motisariya, 2022
K. Passi, J. Motisariya
Twitter Sentiment Analysis of the 2019 Indian Election. In IOT with Smart Systems
Springer, Singapore, 2022 (2022), pp. 805-814
Pennington et al., 2014
J. Pennington, R. Socher, C.D. Manning
October). Glove: Global vectors for word representation
In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) (2014), pp. 1532-1543
Pintas et al., 2021
Pintas, J. T., Fernades, L. A. F.; Garcia, A. C. B. (2021). Feature selection methods for text classification: a systematic literature review. Artificial Intelligence Review, 2021, vol. 54(8), pp 6149-6200.
Poria et al., 2020
S. Poria, D. Hazarika, N. Majumder, R. Mihalcea
Beneath the tip of the iceberg: Current challenges and new directions in sentiment analysis research
IEEE Transactions on Affective Computing (2020)
Rathika and Soranamageswari, 2022
Rathika, J., & Soranamageswari, M. (2022). Intensified Gray Wolf Optimization-based Extreme Learning Machine for Sentiment Analysis in Big Data. In Evolution in Signal Processing and Telecommunication Networks (pp 103-114). Springer, Singapore.
Rui et al., 2016
W. Rui, J. Liu, Y. Jia
Unsupervised feature selection for text classification via word embedding
In 2016 IEEE International Conference on Big Data Analysis (ICBDA) (2016), pp. 1-5
Sachadev and Bhatnagar, 2022
J.S. Sachadev, R. Bhatnagar
A Comprehensive Review on Brain Disease Mapping—The Underlying Technologies and AI Based Techniques for Feature Extraction and Classification Using EEG Signals
Medical Informatics and Bioimaging Using Artificial Intelligence (2022), pp. 73-91
Salam and Ali, 2020
M.A. Salam, M. Ali
Optimizing Extreme Learning Machine using GWO Algorithm for Sentiment Analysis
International Journal of Computer Applications, 975 (2020), p. 8887
Sarker et al., 2015
A. Sarker, R. Ginn, A. Nikfarjam, K. O’Connor, K. Smith, S. Jayaraman, …, G. Gonzalez
Utilizing social media data for pharmacovigilance: A review
Journal of biomedical informatics, 54 (2015), pp. 202-212
Setya Rintyarna et al., 2019
B. Setya Rintyarna, R. Sarno, C. Fatichah
Semantic features for optimizing supervised approach of sentiment analysis on product reviews
Computers, 8 (3) (2019), p. 55
Singh et al., 2020
N.K. Singh, D.S. Tomar, A.K. Sangaiah
Sentiment analysis: A review and comparative analysis over social media
Journal of Ambient Intelligence and Humanized Computing, 11 (1) (2020), pp. 97-117
Sohail, 2021
A. Sohail
Genetic algorithms in the fields of artificial intelligence and data sciences
Annals of Data Science (2021), pp. 1-12
Srivastava et al., 2022
R. Srivastava, P.K. Bharti, P. Verma
A Review on Multipolarity in Sentiment Analysis. In Information and Communication Technology for Competitive Strategies (ICTCS 2020)
Springer, Singapore, 2022 (2022), pp. 163-172
Starosta, 2022
K. Starosta
Sentiment Analysis as a New Source of Information
Measuring the Impact of Online Media on Consumers, Businesses and Society. Sustainable Management, Wertschöpfung und Effizienz, Springer Gabler, Wiesbaden (2022), 10.1007/978-3-658-36729-9_4
Tan et al., 2022
K.L. Tan, C.P. Lee, K.S.M. Anbananthen, K.M. Lim
RoBERTa-LSTM: A Hybrid Model for Sentiment Analysis With Transformer and Recurrent Neural Network
IEEE Access, 10 (2022), pp. 21517-21525
Tan et al., 2011
L.K.W. Tan, J.C. Na, Y.L. Theng, K. Chang
October). Sentence-level sentiment polarity classification using a linguistic approach, Springer, Berlin, Heidelberg (2011), pp. 77-87
TASS, 2017
TASS-2017: Workshop on Semantic Analysis at SEPLN. Available: http://www.sepln.org/workshops/tass/2017/ (Last access in April 2022).
Trisna and Jie, 2022
K.W. Trisna, H.J. Jie
Deep Learning Approach for Aspect-Based Sentiment Classification: A Comparative Review
Applied Artificial Intelligence, 2022 (2022), pp. 1-37
Trivedi and Singh, 2021
Trivedi, S. K., & Singh, A. (2021). Twitter sentiment analysis of app based online food delivery companies. Global Knowledge, Memory and Communication.
Van den Brakel et al., 2017
J. Van den Brakel, E. Söhler, P. Daas, B. Buelens
Social media as a data source for official statistics; the Dutch Consumer Confidence Index
Survey Methodology, 43 (2) (2017), pp. 183-210
Valdivia et al., 2018
A. Valdivia, M.V. Luzón, E. Cambria, F. Herrera
Consensus vote models for detecting and filtering neutrality in sentiment analysis
Information Fusion, 44 (2018), pp. 126-135
Vanaja and Belwal, 2018
S. Vanaja, M. Belwal
Aspect-level sentiment analysis on e-commerce data
In 2018 International Conference on Inventive Research in Computing Applications (ICIRCA). IEEE (2018), pp. 1275-1279
Varghese and Agrawal, 2021
S. Varghese, M. Agrawal
Impact of Social Media on Consumer Buying Behavior
Saudi Journal of Business and Management Studies (SJBMS), 6 (3) (2021), pp. 51-55
Vashishtha and Susan, 2019
Vashishtha, S., & Susan, S. (2019). Fuzzy rule based unsupervised sentiment analysis from social media posts. Expert Systems with Applications, 2019, vol. 138, pp 112834.
Villavicencio et al., 2021
C. Villavicencio, J.J. Macrohon, X.A. Inbaraj, J.H. Jeng, J.G. Hsieh
Twitter sentiment analysis towards covid-19 vaccines in the Philippines using naïve bayes
Information, 12 (5) (2021), p. 204
Villena-Román et al., 2015
Villena-Román, J., García-Morera, J., García-Cumbreras, M. A., Martínez-Cámara, E., Martín-Valdivia, M. T., & Ureña López, L. A. (2015). Overview of TASS 2015. In TASS 2015: Workshop on Sentiment Analysis at SEPLN, pp 13-21.
Wang and Hong, 2019
Wang, H., & Hong, M. (2019). Supervised Hebb rule based feature selection for text classification. Information Processing & Management, 2019, vol. 56(1) pp 167-191.
Wang et al., 2020
Z. Wang, S.B. Ho, E. Cambria
Multi-level fine-scaled sentiment sensing with ambivalence handling
International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 28 (04) (2020), pp. 683-697
Wang and Lin, 2020
Z. Wang, Z. Lin
Optimal feature selection for learning-based algorithms for sentiment classification
Cognitive Computation, 12 (1) (2020), pp. 238-248
Wouters et al., 2019
P. Wouters, Z. Zahedi, R. Costas
Social media metrics for new research evaluation
Springer handbook of science and technology indicators, Springer, Cham (2019), pp. 687-713
Xie et al., 2019
X. Xie, S. Ge, F. Hu, M. Xie, N. Jiang
An improved algorithm for sentiment analysis based on maximum entropy
Soft Computing, 23 (2) (2019), pp. 599-611
Xue et al., 2021
Xue, L., Wang, H., Wang, F., & Ma, H. (2021, February). Sentiment Analysis of Stock Market Investors and Its Correlation with Stock Price Using Maximum Entropy. In International Conference on Intelligence Science (pp 29-44). Springer, Cham.
Yang et al., 2019
T. Yang, Q. Yin, L. Yang, O. Wu
Aspect-based sentiment analysis with new target representation and dependency attention
IEEE Transactions on Affective Computing (2019)
Zhang et al., 2021
Zhang, M., Zhang, J., & Liu, L. (2021, December). Modelling Context with Graph Convolutional Networks for Aspect-based Sentiment Analysis. In 2021 International Conference on Data Mining Workshops (ICDMW) (pp 194-200). IEEE.
Zhao et al., 2022
M. Zhao, J. Yang, J. Zhang, S. Wang
Aggregated graph convolutional networks for aspect-based sentiment classification
Information Sciences, 600 (2022), pp. 73-93
Zhao et al., 2022
Z. Zhao, M. Tang, W. Tang, C. Wang, X. Chen
Graph convolutional network with multiple weight mechanisms for aspect-based sentiment analysis
Neurocomputing (2022)
Zucco et al., 2018
Zucco, C., Liang, H., Di Fatta, G., & Cannataro, M. (2018). Explainable sentiment analysis with applications in medicine. In 2018 IEEE International Conference on Bioinformatics and Biomedicine (BIBM) (pp. 1740-1747). IEEE.
Zulqarnain et al., 2022
M. Zulqarnain, R. Ghazali, M. Aamir, Y.M.M. Hassim
An efficient two-state GRU based on feature attention mechanism for sentiment analysis
Multimedia Tools and Applications (2022), pp. 1-26
