1 / 11

Resúmenes automáticos de opiniones de restaurantes

Emiliano González, Gonzalo Castillo, Santiago Avendaño. Resúmenes automáticos de opiniones de restaurantes. Objetivos. Construir una aplicación para: Brindar información sintetizada al usuario Brindar la información más relevante

angie
Download Presentation

Resúmenes automáticos de opiniones de restaurantes

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Emiliano González, Gonzalo Castillo, Santiago Avendaño Resúmenes automáticos de opiniones de restaurantes

  2. Objetivos • Construir una aplicación para: • Brindar información sintetizada al usuario • Brindar la información más relevante • Abarcar todas las características importantes del dominio en cuestión. • La aplicación va a estar centrada en un dominio particular, que son las opiniones sobre restaurantes de la ciudad de Buenos Aires

  3. Módulos Formater Fragmenter • El sistema se compone de módulos • El sistematieneunaarquitectura de tipo pipeline. • A continuación, describiremoscadauno de estosmódulos y lasoperacionesquerealizan. Categorizer Scorer Filter Summarizer

  4. Formater • Establece un formato en comúnparatodos los comentarios, quitando: • mayúsculas • acentos • espaciosdobles • caracteresespeciales • Input: un comentario • Output: el comentarioformateado

  5. Fragmenter • Divide un comentario en variossnippets (fragmentos), en cada: • Punto “.” • Coma “,” • Punto y coma “;” • Dos puntos “:” • Paréntesis “(” y “)” • Signomenos “-” • Signo de interrogación “?” • Input: comentario • Output: fragmentos de comentario

  6. Categorizer • Identifica los fragmentos de comentario en 6 clases(Comida, Servicio, Ambiente, Precio, Dobles, Otros). • UsamosWeka: • Usamosel filtroStringToWordVectorparafiltrar los datos. • Categorizamosmediante un clasificadorIbk, entrandocon 5000 snippets clasificados. • Input:fragmento de comentario • Output:fragmentocategorizado

  7. Scorer • Asigna un puntaje de relevancia a los snippets. • Usamos 6 diccionarios con puntos (positivos y negativos) previamenteasignados: • Adjetivoscalificativos de comida, servicio, ambiente y precio • Negadores (“no” y “nada”) • Intensificadores • Input: snippet + unacategoria • Output:score para el snippet.

  8. Filter • Filtra los snippets similaresdentro de unamismacategoría. • Ademásfiltraaquellos snippets quetengan score CERO. • Input:conjunto de snippets • Output:conjunto de snippets filtrado

  9. Summarizer • Realiza un proceso de selección de aquellos snippets más relevantes dentro de una misma categoría, según distintas estrategias. • Estrategias: • Seleccionar N positivos y M negativos (N y M enteros). • Seleccionar aquellos que tengan los N mayores scores y los M menores. • Seleccionar un % de positivos y un % de negativos. • Seleccionar los N de mayor valor absoluto de score. • Input: conjunto de snippets (con puntaje) • Output: conjunto de snippets

  10. La calidad de la comida es buena. En contraparte de la comida, la atención es altamente deficiente, con mucha demora y poco cordial. El ambiente es muy ruidoso. la calidad de la comida es buena. en contraparte de la comida, la atenciones altamente deficiente, con mucha demora y poco cordial. el ambiente es muy ruidoso. Formater 1: la calidad de la comida es buena 2: en contraparte de la comida 3: la atencion es altamente deficiente 4: con mucha demora y poco cordial 5: el ambiente es muy ruidoso Fragmenter Categorizer 1(Comida): la calidad de la comida es buena 2(Comida): en contraparte de la comida 3(Servicio): la atencion es altamente deficiente 4(Servicio): con mucha demora y poco cordial 5(Ambiente): el ambiente es muy ruidoso Scorer 1(Comida) (8.0): la calidad de la comida es buena 2(Comida) (0.0): en contraparte de la comida 3(Servicio) (-16384.0): la atencion es altamente deficiente 4(Servicio) (-112.0): con mucha demora y poco cordial 5(Ambiente) (-128.0): el ambiente es muy ruidoso Filter Summarizer 1(Comida)(8.0): la calidad de la comida es buena 3(Servicio)(-16384.0): la atencion es altamente deficiente 4(Servicio)(-112.0): con mucha demora y poco cordial 5(Ambiente)(-128.0): el ambiente es muy ruidoso la calidad de la comida es buena la atencion es altamente deficiente el ambiente es muy ruidoso

  11. Trabajo a futuro • Obtener resumenes por restaurantes • Computar snippets de tipo doble • Encontrar sentimientos dentro de la categoriaotros(Ej: “muy recomendado”). • Mejorar la precisión del categorizador • Mejorar el módulo de filtrado de snippets similares. • Mejorar performance

More Related