recunoasterea organizatiilor in postarile pe tweeter
Post on 11-May-2015
351 Views
Preview:
DESCRIPTION
TRANSCRIPT
Recunoaşterea organizaţiilor înpostările pe Tweeter
Coordonator:Prof. Dr. Dan Cristea
Dr. Diana Trandabăţ
Absolvent:
Elena-Oana Tăbăranu
Introducere
• Twitter: sit web fondat în 2006 ce permite utilizatorilor săi să posteze mesaje scurte de maximum 140 de caractere
• 500.000 de conturi nou create pe zi şi 140 de milioane de postări zilnice în martie 2011 (Twitter, 2011)
• 19% dintre postări mentioneză un nume de companie sau produs: 50% conţin afirmaţii pozitive, 33% critică explicit(Jansen, 2009)
UAIC, Facultatea de Informatică 2
Descrierea sistemului
• Sistemul clasifică toate postarile disponibile pentru o companie a cărui nume este ambiguu: cele care se referă la organizaţia respectivă sunt identificate drept pozitive(true), iar cele care se referă la altceva drept negative (false).
• Exemplu:
UAIC, Facultatea de Informatică 3
Date de intrare
• Organizatorii competiţiei WePS Evaluation Workshop: Searching Information about Entities in the Web au pus la dispozitie 500 de nume şi 700 de postări pe Tweeter pentru fiecare companie în limba engleză, spaniolă sau ambele.
UAIC, Facultatea de Informatică 4
Module
1. Extragerea de profiluri ale companiilor
2. Clasificarea postărilor pe Tweeter
UAIC, Facultatea de Informatică 5
Extragerea de profiluri ale companiilor
Etape ale algoritmului:1. Extragerea paginii de acasă a sitului web al unei organizaţii
2. Extragerea de cuvinte cheie din cadrul paginii de acasă: titlu, metadate, antete, legături
3. Salvarea informaţiilor extrase (cele mai frecvente 25 de cuvinte)
4. Extensia profilului cu termeni oferiţi de Google Sets (opţional)
UAIC, Facultatea de Informatică 6
Clasificarea postărilor pe Tweeter
Etape ale algoritmului:1. Extragerea de informaţii pentru fiecare entitate de tip
postare: companie, identificator, limbă şi conţinut.
2. Calculează eticheta pentru fiecare postare (true sau false):
1. Curăţă postare.
2. Calculează similaritatea postării faţă de profil: potrivire simplă, distanţă Levenshtein, WordNet.
3. Salvează postările de tip true.
UAIC, Facultatea de Informatică 7
Rezultate (I)
UAIC, Facultatea de Informatică 8
Configuraţie F-measure
(alpha=0.5)
Precizie Recall
WordNet
Complet
0.14 0.65 0.15
WordNet Parţial 0.10 0.63 0.09
Potrivire simplă
şi Google Sets
0.08 0.62 0.07
Potrivire simplă 0.03 0.59 0.03
Rezultate (II)
UAIC, Facultatea de Informatică 9
runName query F-measure
(alpha=0.5)
precision recall numSampl
es
true_true true_false false_false false_true
WordNet
parţial
alcatel 0.38 0.38 0.38 481 173 287 10 7
WordNet
complet
alcatel 0.55 0.54 0.55 481 252 208 9 8
Potrivire
simplă
alcatel 0.26 0.27 0.25 481 115 345 16 1
Potrivire
simplă şi
Google Sets
alcatel 0.33 0.34 0.33 481 151 309 12 5
Concluzii
• În postările pe Tweeter ale unei organizaţii se regăsesc atât termeni rar întâlniţi în conţinutul paginii de acasă (nume şi produse ale firmelor concurente), cât şi cuvinte ce reprezintă concepte similare celor din profil.
• Sarcină de lucru dificilă: postările au puţine cuvinte, doar un context minimal este disponibil pentru a rezolva problema dezambiguizării entităţilor
UAIC, Facultatea de Informatică 10
Îmbunătăţiri
• Profilul unei companii poate conţine cuvinte din mai multe surse (Wikipedia, DBpedia)
• Etichetele pot avea ponderi diferite
• Postările identificate drept pozitive pentru o companie pot fi folosite drept corpus al unui sistem de analiză a sentimentelor
UAIC, Facultatea de Informatică 11
Bibliografie
• WePS 3: searching information about entities in the Web. [Interactiv] http://nlp.uned.es/weps/weps-3.
• Surender Reddy Yerva, Zoltan Miklos, and Karl Aberer. It was easy, when apples and blackberries were only fruits.
• Bootstrapping Websites for Classification of Organization Names on Twitter. Kalmar, Paul.
• M.A. Garcia-Cumbreras, M. Garcia-Vega, F. Martinez-Santiago and J.M. Peria-Ortega. SINAI at WEPS-3: Online Reputation Management ́.
• http://blog.twitter.com/2011/03/numbers.html. Twitter Blog. [Interactiv] • Twitter Power:Tweets as Electronic Word of Mouth. Bernard J. Jansen,
Mimi Zhang, Kate Sobel, Abdur Chowdury. s.l. : JOURNAL OF THE AMERICAN SOCIETY FOR INFORMATION SCIENCE AND TECHNOLOGY, 2009, Vol. 60(11):2169–2188.
• The Anatomy of a Large-Scale Hypertextual. Page, Sergey Brin and Lawrence. s.l. : Computer Science Department, Stanford University, Stanford, CA 94305, USA, 1998.
UAIC, Facultatea de Informatică 12
top related