Una arquitectura adaptativa e híbrida de deep learning para recomendaciones basadas en análisis de sentimientos en redes sociales

[ES] Con la explosión de la Web 2.0 y el auge de blogs, foros y redes sociales en línea, millones de usuarios de estos sitios web pueden encontrar fácilmente diferentes opiniones sobre un tema en particular. Por ejemplo, los usuarios discuten experiencias actuales, comparten sus puntos de vista sobre hechos específicos y ofrecen elogios o quejas sobre productos específicos que acaban de comprar. Este tipo de información juega un papel clave en diversas aplicaciones, como rastrear comentarios o reseñas de clientes para usarlos en sistemas de recomendación, y analizar encuestas que la propia organización realiza. El problema de extraer automáticamente opiniones de textos generados por usuarios en línea, conocido como "minería de opiniones" o "análisis de sentimientos", ha sido un tema de investigación creciente en los últimos años. El estudio de la opinión pública puede aportarnos información valiosa. El análisis del sentimiento en las redes sociales se ha convertido en un poderoso medio para conocer las opiniones de los usuarios y tiene un amplio abanico de aplicaciones. Sin embargo, la eficiencia y precisión del análisis de sentimientos se ve obstaculizada por los desafíos encontrados en el procesamiento del lenguaje natural. En los últimos años, se ha demostrado que los modelos de aprendizaje profundo son una solución prometedora a estos desafíos. Además, el análisis de sentimientos puede ser beneficioso para mejorar los sistemas de recomendación. Por otra parte, un creciente cuerpo de investigación examina cómo se está aplicando el análisis de sentimientos en estos sistemas. Dicho análisis puede mejorar la comprensión de las actitudes, opiniones y emociones de los usuarios, lo cual es beneficioso para su integración en sistemas de recomendación y así lograr una mayor fiabilidad de las recomendaciones. Los datos de las redes sociales se han aprovechado de diferentes formas para abordar algunos problemas, especialmente los asociados con los métodos de Filtrado Colaborativo (FC). El problema de la dispersión y el de la oveja negra son dos de las principales razones por las que los métodos de FC no proporcionan la fiabilidad requerida en algunos sistemas de recomendación. En particular, cuando hay pocos datos de valoraciones de ítems disponibles en un sistema de recomendación, el análisis de opiniones puede desempeñar un papel clave en la mejora de la calidad de las recomendaciones. Esto se debe al hecho de que los algoritmos de recomendación se basan principalmente en las valoraciones de los ítems por parte de los usuarios para seleccionar los ítems que se recomendarán. Estas valoraciones suelen ser insuficientes y muy limitadas. Por otro lado, se considera que las valoraciones de los ítems derivadas del análisis de sentimiento a partir de servicios de noticias en línea, blogs, redes sociales o incluso de los propios sistemas de recomendación, son capaces de brindar mejores recomendaciones a los usuarios. Los modelos basados en sentimientos se han aprovechado en sistemas de recomendación para superar el problema de escasez o dispersión de datos que existe en los sistemas de recomendación convencionales. Esta tesis aborda esa brecha mediante una comparación exhaustiva de los métodos de análisis de sentimientos en la literatura y mediante un estudio experimental para evaluar el rendimiento de modelos de deep learning y técnicas relacionadas en conjuntos de datos sobre diferentes temas. La pregunta de investigación que se formula tiene como objetivo determinar si es posible presentar métodos altamente fiables para múltiples tipos y tamaños de conjuntos de datos. Otra cuestión que se plantea en esta tesis es si los modelos híbridos funcionan mejor que los modelos individuales independientemente de las características de los conjuntos de datos. Por tanto, el objetivo de nuestro trabajo es la propuesta de modelos híbridos y el estudio de su comportamiento con diferentes tipos de conjuntos de datos de diferentes dominios. Adicionalmente, presentamos un enfoque de uso del análisis de sentimientos en sistemas de recomendación, en el cual las opiniones de los usuarios y sus valoraciones explícitas se combinan para proporcionar las recomendaciones. Esta aplicación se basa en una arquitectura de sistema de recomendación adaptativa, algunas técnicas para la extracción de características y modelos de deep learning basados en el análisis de sentimientos. Por lo tanto, integrar el sentimiento en los sistemas de recomendación puede mejorar significativamente la calidad de recomendación de estos sistemas. Aplicamos modelos de aprendizaje profundo con TF-IDF e incrustación de palabras en ocho conjuntos de datos, incluidos tweets y reseñas. Así mismo, implementamos los enfoques de análisis de sentimientos de última generación basados en deep learning y modelos combinados para aumentar la precisión del análisis de sentimientos. Además, evaluamos métodos para integrar el análisis de opiniones en sistemas generales de recomendación para servicios de streaming con populares conjuntos de datos públicos de revisiones. Los resultados muestran que el enfoque propuesto mejora significativamente la fiabilidad de los sistemas de recomendación. [EN] With the explosion of Web 2.0 and the rise of blogs, forums, and online social networks, different opinions about a particular topic can be easily found from millions of users on these websites. For example, users discuss current experiences, share their points of view on specific facts, and offer praise or complaints about specific products they have just bought. This kind of information plays a key role in various applications, such as to track comments or reviews of customers for recommender systems, and to analyze surveys that an organization itself conducts. The problem of automatically extracting opinions from online user-generated texts, known as “opinion mining” or “sentiment analysis,” has been a growing research topic recently. The study of public opinion can provide us with valuable information. The analysis of sentiment on social networks has become a powerful means of learning about the users’ opinions and has a wide range of applications. However, the efficiency and accuracy of sentiment analysis is being hindered by the challenges encountered in natural language processing. In recent years, it has been demonstrated that deep learning models are a promising solution to these challenges. In addition, sentiment analysis can be beneficial to recommender systems. As well, a growing body of research examines how sentiment analysis is being applied in recommender systems. Such an analysis can improve the understanding of users’ attitudes, opinions, and emotions, which is beneficial to integrate it into recommender systems for achieving higher recommendation reliability. Social media data has been exploited in different ways to address some problems, especially those associated with Collaborative Filtering (CF) methods. Sparsity and gray-sheep problems are two of the main reasons CF methods do not provide the reliability required in some recommender systems. In particular, when only sparse ratings data is available to a recommender system, sentiment analysis can play a key role in improving recommendation quality. This is due to the fact that recommendation algorithms mostly rely on users’ ratings on items to select the items to recommend. Such ratings are usually insufficient and very limited. On the other hand, sentiment ratings of items that can be derived from online news services, blogs, social media, or even from the recommender systems themselves are seen as capable of providing better recommendations to users. Sentiment-based models have been exploited in recommender systems to overcome the data-sparsity problem that exists in conventional recommender systems. This thesis addresses that gap by means of a comprehensive comparison of sentiment analysis methods in the literature and by an experimental study to evaluate the performance of deep learning models and related techniques on datasets about different topics. The research question aims to determine whether it is possible to present outperforming methods for multiple types and sizes of datasets. Another question raised in this thesis is whether hybrid models perform better than single models regardless of the characteristics of the datasets. Therefore, the aim of our work is the proposal of hybrid models and the study of their behavior with different types of datasets from different domains. Then, we present an approach to use sentiment analysis in recommender systems, in wich user opinions and explicits ratings are combined to provide recomendations. This application is based on an adaptive recommender system architecture, some techniques for feature extraction, and deep learning models for sentiment analysis. Hence, integrating sentiment in recommender systems may significantly enhance the recommendation quality of these systems. We applied deep learning models with TF-IDF and word embedding to eight datasets, including tweets and reviews. We implemented the state-of-the-art sentiment analysis approaches based on deep learning, and combined models to increase the accuracy of sentiment analysis. In addition, we evaluated methods for integrating sentiment analysis into recommender systems on popular public review datasets. The experimental results show that the proposed approach significantly improves the recommender system performance