Resumen

El análisis de sentimientos sobre la opinión pública expresada en redes sociales, como Twitter o Facebook, se ha desarrollado en una amplia gama de aplicaciones, pero aún hay muchos desafíos por abordar. Las técnicas híbridas han demostrado ser modelos potenciales para reducir errores de sentimiento en datos de entrenamiento cada vez más complejos. Este artículo tiene como objetivo probar la confiabilidad de varias técnicas híbridas en diversos conjuntos de datos de diferentes dominios. Nuestras preguntas de investigación tienen como objetivo determinar si es posible producir modelos híbridos que superen a los modelos individuales con diferentes dominios y tipos de conjuntos de datos. Se construyen y prueban modelos de aprendizaje híbrido profundo para el análisis de sentimientos que combinan redes de memoria a corto y largo plazo (LSTM), redes neuronales convolucionales (CNN) y máquinas de vectores de soporte (SVM) en ocho conjuntos de datos de tweets y reseñas de texto de diferentes dominios. Los modelos híbridos se comparan con tres modelos individuales, SVM

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Análisis de sentimientos; Opinión pública; Redes sociales; Técnicas híbridas; Modelos de aprendizaje profundo; SVM
• Keywords:Sentiment analysis; Public opinion; Social networks; Hybrid techniques; Deep learning models; SVM