Modelo para el análisis de las evaluaciones de un producto de tecnología en una plataforma de comercio electrónico

dc.contributorVilla Garzón, Fernán Alonso
dc.creatorDelgado Palacios, Lesty Yoladi
dc.date.accessioned2022-01-11T16:34:23Z
dc.date.accessioned2022-09-21T15:12:37Z
dc.date.available2022-01-11T16:34:23Z
dc.date.available2022-09-21T15:12:37Z
dc.date.created2022-01-11T16:34:23Z
dc.date.issued2021-11-24
dc.identifierhttps://repositorio.unal.edu.co/handle/unal/80796
dc.identifierUniversidad Nacional de Colombia
dc.identifierRepositorio Institucional Universidad Nacional de Colombia
dc.identifierhttps://repositorio.unal.edu.co/
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3376919
dc.description.abstractSegún Nasdaq, 2020 en la actualidad cada vez más personas están realizando compras de productos a través de plataformas de comercio online, y a su vez cada año más empresas migran su actividad o al menos una parte de ella al e-commerce, debido a esto hay una gran cantidad de información disponible de opiniones de compradores, acerca del grado de satisfacción obtenido después de haber adquirido los productos, que en algunos casos no están siendo aprovechada (Mosley, 2020). Como resultado de lo anterior, el presente trabajo plantea una solución mediante la implementación de algoritmos estadísticos, que permiten interpretar el lenguaje humano de forma rápida, eficiente e identificar los sentimientos que subyacen detrás de cada uno de los comentarios, para que las empresas puedan actuar rápidamente frente a las necesidades de los consumidores finales. Además, se abordan diferentes enfoques para clasificar las opiniones y poder determinar el grado de polaridad de estas mismas, para lograrlo se plantean distintos escenarios con diferentes tipos de pre procesamiento y evaluando diversos tipos sentimientos. (texto tomado de la fuente)
dc.description.abstractAccording to Nasdaq, 2020 nowadays more people are shopping their products through an electronic commerce platform online, and every year there are more businesses doing migrations of their activities or at least one part to the e-commerce, due to that there is a big amount of available information from buyers’ opinions about the level of satisfaction that has been obtained after buying the products which in some cases has not been taken in advantage. (Mosley, 2020) As a result of the above, the present project poses a solution through the implementation of statistic algorithms that allow the interpretation of the human language in a fast & efficient way & identify the feelings that underlie behind each comment, so the businesses can act in a fast way to the final consumers’ needs. Besides, different approaches are addressed to classify the opinions and to be able to determine distinct scenarios with different kinds of pre-processing & evaluate different types of feelings
dc.languagespa
dc.languageeng
dc.publisherUniversidad Nacional de Colombia
dc.publisherMedellín - Minas - Maestría en Ingeniería - Analítica
dc.publisherDepartamento de la Computación y la Decisión
dc.publisherFacultad de Minas
dc.publisherMedellín, Colombia
dc.publisherUniversidad Nacional de Colombia - Sede Medellín
dc.relationLucas, Marty (1999). “Mining in textual mountains”. [Entrevista a Marti Hearst]. Consultado en: 27-12-03. Obtenido de: http://mappa.mundi.net/trip-m/hearst.
dc.relationB. Lu, L. Zhang “A survey of opinion mining and sentiment analysis”, ed. C. C. Aggarwal and C. X. Zhai. Boston, MA: Springer US, 2012, pp. 415—463. ISBN: 978-1-4614-3223-4. DOI=10.1007/978-1-4614-3223- 4_13.
dc.relationM. Sahami (1996). Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. In Learning limited dependence Bayesian classifiers., 335–338.
dc.relationSullivan, Dan (2001). Document warehousing and text mining. New York [etc.]: Wiley Computer Publishing, 2001, xviii, 542 p.
dc.relationWiebe, J. M., Wilson, T., Bruce, R., Bell, M., and Martin, M. (2004). Learning subjective language. In Computational Linguistics, 30:277–308.
dc.relationP. D. Turney (2002). Proceedings of the 40th Annual Meeting on Association for Computational Linguistics in Morristown. In Association for Computational Linguistics, pp. 417-424.
dc.relationHolts A., Riquelme C., Alfaro R (2010). Automated Text Binary Classification using Machine Learning Approach. In XXIX International Conference of the Chilean Computer Science Society
dc.relationPang, B. and Lee, L. (2008). Opinion mining and sentiment analysis. In Foundation and Trends in Information Retrieval, 2(1-2):1–135.
dc.relationCarrillo, C. Urueña, J. Forero, J. Caicedo, L. (2015) . Análisis del sentimiento político mediante la aplicación de herramientas de minería de datos a través del uso de redes sociales. Bogotá D.C Obtenido de: https://repository.javeriana.edu.co/bitstream/handle/10554/20516/CaicedoOrtizLuisEduard o2016.pdf?sequence=1&isAllowed=y
dc.relationLithium (2001) “Lithium: deliver better customer experiences through digital channels”. Obtenido de: https://www.lithium.com/
dc.relationAraujo N. (2009), Método Semi Supervisado para la Clasificación Automática de Textos de Opinión. INAOE 2009. Obtenido de: . https://ccc.inaoep.mx/~villasen/tesis/TesisMaestria-NadiaAraujo.pdf
dc.relationStanford NLP Core. (2014) “Stanford CoreNLP - Core Natural Language Software”. Obtenido de: https://stanfordnlp.github.io/CoreNLP/
dc.relationStanford NLP Group (2010) “The Stanford Natural Language Processing Group”. Obtenido de: https://nlp.stanford.edu/
dc.relationStanford NLP Core. (2014) “Stanford CoreNLP - Core Natural Language Software”. Obtenido de: https://stanfordnlp.github.io/CoreNLP/
dc.relationB. Liu, M. Hu, J. Cheng. Opinion Observer: Analyzing and Comparing Opinions on the Web. In “Proceedings of the 14th international 80 conference on World Wide Web”, in New York, NY, USA, ACM, 2005, pp. 342-351.
dc.relationDubian et al. (2013). “Análisis de Sentimientos sobre un Corpus en Español: Experimentación con un Caso de Estudio”. Buenos Aires, Argentina. Obtenido de: https://core.ac.uk/download/pdf/301090363.pdf
dc.relationGuarnizo, E. Monroy, A. (2020) “Implementación de un modelo de análisis de sentimientos con respecto a la jep basado en minería de datos en twitter.” Bogotá D.C. Obtenido de :https://repository.ucatolica.edu.co/bitstream/10983/24981/1/JEPDocumentoFinal.pdf
dc.relationEnríquez, Carlos; Pla, Ferran; Hurtado, Lluís-F.; Guzmán, Jaime (2017). Análisis de sentimientos a nivel de aspecto usando ontologías y aprendizaje automático Procesamiento del Lenguaje Natural, núm. 59, pp. 49-56 Sociedad Española para el Procesamiento del Lenguaje Natural Jaén, España. Obtenido de: https://www.redalyc.org/pdf/5157/515754427005.pd
dc.relationRios. L (2019), “Análisis de datos de sentimientos enfocados al servicio de transporte masivo Transmilenio s.a aplicando tecnologías big data”. Bogotá d.c. Obtenido de :http://hdl.handle.net/11371/2907
dc.relationCarlos Arcila-Calderón, Félix Ortega-Mohedano, Javier Jiménez-Amores y Sofía Trullenque (2017). Supervised sentiment analysis of political messages in spanish: Real-Time of tweets based on machine learning. Disponible en < http://www.elprofesionaldelainformacion.com/contenidos/2017/sep/18.pdf >
dc.relationAnkita, Nabizath Saleenaa (2018). An Ensemble Classification System for Twitter Sentiment Analysis. Disponible en < https://www-sciencedirectcom.ucatolica.basesdedatosezproxy.com/science/article/pii/S18 77050918308 41X>
dc.relationA. Gammerman, A. R. Thatcher (1991). Bayesian diagnostic probabilities without assuming independence of symptoms . In Methods of Information in Medicine, 30, 15–22.30(1):15-22. PMID: 2005829 . Obtenido de : https://pubmed.ncbi.nlm.nih.gov/2005829/
dc.relationYagui, M. Maia,L. Oliveira, J, Vivacqua, V (2018). Data mining of social manifestations in Twitter: Analysis and aspects of the social movement "Bela, recatada e do lar" (Beautiful, demure and housewife). Disponible en < http://web.a.ebscohost.com.ucatolica.basesdedatosezproxy.com/ehost/pdfvie wer/pdfviewer?vid=1&sid=85eafd29-f950-4be5-94fdac673c3bef37%40sessionmgr4008 >
dc.relationEric Rochester (2014). Mastering Clojure Data Analysis, Understanding sentiment analysis. Publicado por Packt Publishing Ltd. ISBN 978-1-78328-413-9
dc.relationBreiman, L., Friedman, J., Olshen, R., and Stone, C., (1984), Classification and Regresion Trees, Wadsworth International Group.
dc.relationK. y. Nasukawa, (2006). “Fully automatic lexicon expansion for domain-oriented sentiment analysis” In Proceedings of the Conference on Empirical Methods in Natural Language Processing (EMNLP). Omnipress Inc. PA 18360
dc.relationKim, S., & Hovy, E. (2004). Determining the sentiment of opinions. In Proceedings of the international conference on computational linguistics (COLING 2004) East Stroudsburg, PA, 1367.
dc.relationA. Tumasjan, (2010). “Prediction elections with Twitter_ What 140 characters reveal about political sentiment,” Proceedings of the Fourth International al AAAI Conference on Weblogs and Social Media.
dc.relationDubiau, L. Ale. M (2013). “Análisis de Sentimientos sobre un Corpus en español: Experimentación con un Caso de Estudio”. Buenos Aires, Argentina.
dc.relationE. J. Keogh. M. Pazzani (1999). Learning augmented Bayesian classifiers: a comparison of distribution-based and non distribution-based approaches. In Proceedings of the 7th International Workshop on Artificial Intelligence and Statistics, 225– 230.
dc.relationBaccianella, S., Esuli, A., & Sebastiani, F. (2010). SentiWordNet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining. In Proceedings of the 7th conference on international, language resources and evaluation (www.irecconf.org).
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.titleModelo para el análisis de las evaluaciones de un producto de tecnología en una plataforma de comercio electrónico
dc.typeTesis


Este ítem pertenece a la siguiente institución