Análisis de sentimientos y redes sociales Código:  M2.856    Créditos:  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Conocimientos previos   Información previa a la matrícula   Objetivos y competencias   Contenidos   Consulta de los materiales que dispone la asignatura   Consulta del modelo de evaluación  
Este es el plan docente de la asignatura para el primer semestre del curso 2024-2025. Podéis consultar si la asignatura se ofrece este semestre en el espacio del campus Más UOC / La universidad / Planes de estudios). Una vez empiece la docencia, tenéis que consultarlo en el aula. El plan docente puede estar sujeto a cambios.
En esta asignatura se verá, por un lado, las bases del procesamiento del lenguaje natural o, concretamente, de la comprensión del lenguaje natural (Natural Language Understanding). Esta base teórica nos permitirá adentrarnos en el análisis de los sentimientos (sentiment analysis), que constituye un importante campo de investigación en la actualidad.

Por otro lado, veremos las principales técnicas y métodos empleados en el análisis de datos de redes sociales (social network analysis). Concretamente, veremos las principales propiedades de las redes reales, así como algoritmos de clustering, análisis del flujo de información y visualización de redes.

Amunt

Esta asignatura forma parte del conjunto de asignaturas optativas del máster.

Amunt

Se recomienda disponer de conocimientos de minería de datos y teoría de grafos.

Amunt

Algunos de los contenidos de esta asignatura deben estudiarse a partir de materiales y recursos escritos en inglés.

Amunt

  • Conocer las principales técnicas y herramientas para el procesamiento y comprensión del lenguaje natural.
  • Saber aplicar las técnicas y herramientas para las principales tareas de comprensión del lenguaje natural, incluyendo la identificación automática de temas e idiomas y la extracción de palabras clave.
  • Conocer el proceso, junto con las principales técnicas y herramientas, para el análisis de sentimientos basados en textos.
  • Saber cuándo aplicar las distintas aproximaciones al análisis de sentimientos y las principales diferencias entre ellas.
  • Comprender las principales características de las técnicas supervisadas y no supervisadas para el análisis de sentimientos basados en textos.
  • Conocer las principales características de las redes reales, así como las bases teóricas para su representación mediante grafos.
  • Comprender y saber aplicar las principales técnicas relacionadas con la evaluación de redes, detección de comunidades, análisis del flujo de información y visualización de redes o grafos.

Amunt

Comprensión del lenguaje natural (Natural Language Understanding)
a) Fundamentos y herramientas
- Corpus/Bases de datos textuales (WordNet, MultiWordNet, stop words, etc.)
- Tokenización (n-gramas)
- Stemming (algoritmo de Porter/Snowball) vs Lemmatization
- Part-of-Speech tagging (POS tag, etiquetado gramatical)
- Parsing (estructura gramatical de las oraciones del texto)
- Representación cuantitativa del texto (vectores, tf-idf, etc)
b) Usos
- Identificación automática de temas (Document clustering or text categorization)
- Identificación automática del idioma (Language identification)
- Resumen automático (Text summarization) o extracción automática de frases clave (Automatic key phrase extraction)

Sentiment analysis
a) Proceso
- Corpus (input)
- Document pre-processing
- Sentiment lexicons and linguistic resources (SentiWordNet, General nquirer Lexicón, emotion lexicon, subjectivity lexicon, etc)
- Document analysis
- Sentiment scores and annotations (output)
b) Aproximaciones
- Document based sentiment analysis
- Sentence based sentiment analysis
- Feature based sentiment analysis (explicit, implicit)
- Comparative sentiment analysis
c) Técnicas
- Supervised learning: Classification algorithms (SVM, Naïve Bayes, KNN, etc)
- Unsupervised learning: Semantic orientation (Predefined POS, lexicons, PMI)
- Parsing
- Information extraction
- Association rule learning
- Visualization techniques (maps, graphs, etc)
d) Aplicaciones
- Reviews of consumer products and services
- Product reputation
- Political analysis
- Financial markets
- Emotion awareness
- Industrial studies (pharmaceutical, cars, etc)
e) Principales retos
- Sentiment data modeling
- Anaphora resolution
- Objectivity (factual data)
- Noisy texts
- Sarcasm identification

Social network analysis (SNA)
a) Introducción a la teoría de grafos
b) Las redes en el mundo real (propiedades small world y power law)
c) Métricas y propiedades de las redes
d) Detección de comunidades
e) Flujos de información
f) Visualización de redes

Amunt

Material Soporte
Espacio de recursos de ciencia de datos Web

Amunt

La asignatura solo puede aprobarse con el seguimiento y la superación de la evaluación continua (EC). La calificación final de la asignatura es la nota obtenida en la EC.

Ponderación de las calificaciones

Opción para superar la asignatura: EC

Nota final de asignatura: EC

Amunt