Resumen

El análisis de sentimientos es un proceso esencial que es importante para muchas aplicaciones del lenguaje natural. En este trabajo, aplicamos dos modelos para el análisis del sentimiento en árabe a los conjuntos de datos ASTD y ATDFS, tanto en forma de 2 clases como de varias clases. El modelo MC1 es una CNN de 2 capas con pooling de promedios globales, seguida de una capa densa. El MC2 es una CNN de 2 capas con pooling máximo, seguida de una BiGRU y una capa densa. En la difícil tarea ASTD de 4 clases, logramos un 73,17%, en comparación con el 65,58% informado por Attia et al., 2018. En la tarea más fácil de 2 clases, logramos un 90,06% con MC1 en comparación con el 85,58% reportado por Kwaik et al., 2019. Llevamos a cabo experimentos con varias divisiones de datos, para que coincidan con las utilizadas por otros investigadores. También prestamos mucha atención al preprocesamiento árabe e incluimos pasos novedosos no reportados en otros trabajos. En un estudio de ablación, investigamos el efecto de dos pasos en particular, el procesamiento de emoticonos y el uso de una lista de parada personalizada. En la tarea de 4 clases, éstas pueden suponer una diferencia de hasta el 4,27 y 5,48%, respectivamente. En la tarea de 2 clases, las mejoras máximas son del 2,95 y 3,87%.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:capa densa, tarea, attia et al, kwaik et al, pooling promedio global, procesamiento de emoticonos, aplicación de lenguaje natural, análisis de sentimientos en árabe, división de datos diversos, paso novedoso
• Keywords:dense layer, task, attia et al, kwaik et al, global average pooling, processing of emoticons, natural language application, arabic sentiment analysis, various data split, novel step