Resumen

La opinin de los consumidores es muy valiosa en las empresas para evaluar su rendimiento y tambin es beneficiosa para los clientes, ya que les da una idea de lo que pueden esperar de los nuevos productos. En esta investigacin, el objetivo es evaluar diferentes enfoques de aprendizaje profundo para predecir con precisin la opinin de los clientes basndose en las reseas de telfonos mviles obtenidas de . La prediccin se basa en analizar estas reseas y categorizarlas como positivas, negativas o neutras. Se han implementado y evaluado diferentes algoritmos de aprendizaje profundo, como la RNN simple con sus cuatro variantes, a saber, redes de memoria a largo plazo (LRNN), redes de memoria a largo plazo en grupo (GLRNN), unidad recurrente con compuerta (GRNN) y unidad recurrente de actualizacin (UGRNN). Todos los algoritmos evaluados se combinan con la incrustacin de palabras como mtodo de extraccin de caractersticas para el anlisis de sentimientos, incluidos Glove, word2vec y FastText by Skip-grams. Los cinco algoritmos diferentes con los tres mtodos de extraccin de caractersticas se evalan en funcin de la exactitud, la recuperacin, la precisin y la puntuacin F1 para conjuntos de datos equilibrados y desequilibrados. Para el conjunto de datos no equilibrado, se observ que los algoritmos GLRNN con extraccin de caractersticas FastText obtuvieron la mayor precisin, un 93,75%. Este resultado alcanz la mayor precisin en este conjunto de datos en comparacin con otros mtodos mencionados en la bibliografa. En el conjunto de datos equilibrado, el algoritmo LRNN obtuvo una precisin del 88,39%.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Opiniones de consumidores; Enfoques de aprendizaje profundo; Reseñas de teléfonos móviles; Análisis de sentimientos; Métodos de extracción de características; Precisión.
• Keywords:Consumer feedback; Deep learning approaches; Mobile phone reviews; Sentiment analysis; Feature extraction methods; Accuracy