Search

As emoções tiveram um papel fundamental para a adaptação e sobrevivência humana ao longo de toda história da nossa civilização, tendo ganho mais destaque na comunicação social nos últimos tempos com a criação e avanço das redes sociais. Na área de inteligência artificial, robôs têm simulado emoções humanas e por meio da visão computacional as expressões faciais têm sido detetadas. No marketing elas se destacam ao proporcionar experiências marcantes conectando o cliente ao consumidor. Com propósito de cooperar no estudo das emoções, ainda que minimamente, esse trabalho objetivou desenvolver uma forma de identificar as emoções nos textos do Twitter, no cenário político brasileiro. Além de buscar padrões semânticos que diferenciasse as emoções, também foram aplicadas técnicas de classificação por meio de aprendizado de máquina. A metodologia adotada neste estudo foi a CRISP-DM. A investigação baseou-se nas seis emoções primárias: tristeza, raiva, surpresa, medo, nojo e alegria. O conjunto de dados constituído por 3556 tweets foi retirado do Twitter, utilizando 190 Tred Topics sobre assuntos políticos do dia 22 de junho de 2020 até o dia 24 de agosto 2020. Uma das principais contribuições deste estudo foi a forma como se fez a identificação e classificação das emoções nos textos foi desenvolvida a partir dos temas e gatilhos inatos. Alguns padrões se mostraram relevantes, como por exemplo, para raiva e nojo-desprezo onde os usuários tendem a utilizar palavras com significado de afastamento de grupo, enquanto para alegria mais palavras com sentimento de pertencimento a grupo. A precisão média do classificador foi de 75,61%. O estudo evidenciou a polarização política num sentido onde as pessoas se opuseram completamente umas contra as outras, discordando, demonstrando emoções maioritariamente pesadas, desejando o mal e até a morte umas das outras. Uma limitação importante foi a falta de mais poder computacional, limitando assim a afinação dos classificadores por meio de GridSearch. Outra limitação foi a de que alguns tweets possuíam duas emoções, como raiva e alegria, dificultado a sua classificação em uma única emoção. Algumas propostas de trabalhos futuros foram também avançadas.

Made available in DSpace on 2018-11-13T16:12:31Z (GMT). No. of bitstreams: 1 5179_10266.pdf: 483147 bytes, checksum: fd519c9b6a3b9cb08007f9ea7f50c4ba (MD5) Previous issue date: 2016-11-17

Semantic relations between words are key to building systems that aim to understand and manipulate language. For En- glish, the “de facto” standard for representing this kind of knowledge is Princeton’s WordNet. Here, we describe the wordnet-like resources currently available for Portuguese: their origins, methods of creation, sizes, and usage restrictions. We start tackling the problem of comparing them, but only in quantitative terms. Finally, we sketch ideas for potential collaboration between some of the projects., (undefined)

Conversational agents or chatbots (short for chat robot) are a branch of Natural Language Processing (NLP) that has arisen a lot of interest nowadays due to the extent number of applications in company services such as customer support or automatized FAQS and personal asistent services, for instance Siri or Cortana. There are three types: rule-based models, retrieval-based models and generative-based models. The difference between them is the freedom they have at the time of generating an answer given a question. The chatbot models usually used in public services are rule-based or retrieval-based given the need to guarantee quality and adecuate answers to users. But these models can handle only conversations aligned with their previous written answers and, therefore, conversations can sometimes sound artificial if it goes out of the topic. Generative-based models can handle better an open conversation which makes them a more generalizable approach. Promising results have been achieved in generative-based models by applying neural machine translation techniques with the recurrent encoder/decoder architecture. In this project is implemented, compared and analyzed two generative models that constitute the state of the art in neural machine translation applied to chatbots. One model is based on recurrence with attention and the other is based exclusively in attention. Additionally, the model based exclusively on recurrence has been used as a reference. Experiments show that, as in translation, an architecture based only in attention mechanisms obtains better results than the recurrence based models. Los agentes conversacionales o chatbots (abreviación de chat robot) es una rama del Procesado de Lenguaje Natural (PLN o en inglés NLP) que ha despertado gran interés hoy en día debido a la gran cantidad de aplicaciones en servicios como atención al cliente, FAQs y sistemas de asistencia personal como Siri o Cortana. Existen tres tipos: los sistemas basados en reglas, los modelos basados en recuperaci ?on y los modelos generativos. La diferencia entre ellos reside en la libertad que tienen a la hora de generar una respuesta dada una pregunta. Los modelos de chatbot utilizados comúnmente en servicios públicos son de tipo recuperación o basado en reglas dada la necesidad de garantizar respuestas correctas y de calidad a los usuarios. El problema de estos modelos es que tan solo pueden mantener conversaciones relacionadas con sus respuestas pre-escritas y, por tanto, las conversaciones pueden llegar a ser muy artificiales si un usuario se desvía del tema. Los modelos generativos, por otro lado, pueden desenvolverse mucho mejor en conversaciones abiertas, lo que los convierte en un enfoque más generalizable. Se han logrado prometedores resultados en el ámbito de los modelos generativos gracias a la aplicación de técnicas de traducción neuronal con arquitecturas encoder/decoder basadas en recurrencia. En este proyecto se implementan, comparan y analizan dos tipos de modelos generativos que constituyen el estado del arte en traducción neuronal aplicados a chatbots. Uno de los modelos está basado en recurrencia y mecanismos de atención y el otro está basado exclusivamente en atención. Adicionalmente, el modelo basado exclusivamente en recurrencia se ha utilizado como referencia para los experimentos. Los experimentos demuestran que, como sucedía en traducción, una arquitectura basada exclusivamente en mecanismos de atención obtiene mejores resultados que aquellos basados en recurrencia. Els agents conversacionals o chatbots (abreviació de chat robot) és una branca del Processat de Llenguatge Natural (PLN o en anglès NLP) que ha despertat gran interès avui en dia degut a la gran quantitat d'aplicacions en serveis com atenció al client, FAQs i sistemes d'assistència personal com Siri o Cortana. Hi ha de tres tipus: els sistemes basats en regles, els models basats en recuperació i els models generatius. La diferència entre ells resideix en la llibertat que tenen a l´hora de generar una resposta donada una pregunta. Els models de chatbots utilizats comunament en serveis públics són de tipus recuperació o basats en regles a causa de la necessitat de garantir respostes correctes i de qualitat als usuaris. El problema d'aquests models és que tan sols poden mantenir converses relacionades amb les seves respostes escrites prèviament i, aleshores, les converses poden ser molt artificials si un usuari es desvia del tema. Els models generatius, per altra banda, poden desenvolupar-se molt millor en converses obertes, el que els converteix en un enfocament més generalitzable. S'han aconseguit prometedors resultats en l'àmbit dels models generatius gràcies a l'aplicació de tècniques de traducció neuronal amb arquitectures encoder/decoder basades en recurrència. En aquest projecte s'implementa, es compara i s'analitza dos tipus de models generatius que constitueixen l'estat de la qüestió en traducció neuronal aplicats a chatbots. Un dels models es basa en recurrència i mecanismes d'atenció i l'altre es basa exclusivament en atenció. Addicionalment, el model basat exclusivament en recurrència s'ha utilizat com a referència per als experiments. Els experiments demostren que, com succeïa en traducció, una arquitectura basada exclusivament en mecanismes d'atenció obté millors resultats que aquells basats en recurrència.