Sentiment analysis in social networks

Abstract

Nowadays, social media plays an important role in connecting people all around the world. The information shared on these platforms is freely available and may be used to assess public opinion and to resolve challenges faced by groups and individuals. However, there are many uses of social media. Due to this, platforms with a focus in promoting discussion about present events, public figures and brands are preferred in the literature (e.g. Twitter), as this data is useful for sentiment analysis. The content shared on social media often contains multiple types of data, such as text, images and videos. Certain platforms (e.g. Twitter) are more focused on textual content while others (e.g Instagram, pinterest) are mainly based on visual content.This presents a new challenge for sentiment analysis, as in this case it is necessary to classify multiple forms of data at once.In this work, the main objective is to develop models with good capabilities for performing multimodal sentiment analysis on social media data. For this purpose, deep learning based approaches are tested and implemented, using models such as Long Short Term Memory Neural Networks (LSTM) and Convolutional Neural Networks (CNN). Other methods to increase performance are also considered, such as feature extraction from objects in images.Given the initial lack of good quality datasets, data was collected to build a new dataset. However, during this work, a new high quality dataset was made available and is used instead.

Hoje em dia, as redes sociais desempenham um papel importante na ligação de pessoas em todo o mundo. As informações partilhadas nestas plataformas estão disponíveis gratuitamente e podem ser usadas para avaliar a opinião pública e resolver desafios enfrentados por grupos e indivíduos. No entanto, as redes sociais têm muitos usos. Por isso, as plataformas com foco na promoção da discussão sobre eventos presentes, figuras públicas e marcas são as preferidas na literatura (por exemplo, Twitter), pois esses dados são úteis para a análise de sentimento. O conteúdo partilhado nas redes sociais geralmente contém vários tipos de dados, como texto, imagens e vídeos. Certas plataformas (por exemplo, Twitter) são mais focadas em conteúdo textual, enquanto outras (por exemplo, Instagram, pinterest) são baseadas principalmente em conteúdo visual. Isto apresenta um novo desafio para a análise de sentimento, pois neste caso é necessário classificar vários tipos de dados de uma vez. Neste trabalho, o principal objetivo é desenvolver modelos com boas capacidades para realizar análise de sentimento multimodal em dados de redes sociais. Para este propósito, abordagens baseadas em deep learning são testadas e implementadas, usando modelos como Redes Neuronais de Memória a Longo Prazo (LSTM) e Redes Neuronais Convolucionais (CNN). Outros métodos para aumentar o desempenho também são considerados, como a extração de informação de objetos presentes em imagens. Devido à falta inicial de dados de boa qualidade, novos dados foram colecionados para serem usados. No entanto, durante este trabalho, um novo conjunto de dados de alta qualidade foi disponibilizado e é usado em vez disso.