Abstracto

Evaluación de la calidad del contenido generado por los usuarios en Twitter: un enfoque basado en el aprendizaje profundo

Irfan Mohiuddin

Las redes sociales hoy en día pueden ser una plataforma para que muchos usuarios activos a nivel mundial compartan su contenido. Cada segundo, hay miles de mensajes o comentarios publicados en diferentes redes sociales. Con estas asombrosas cantidades de contenido generado por el usuario (UGC), seguramente surgirán desafíos. Uno de esos desafíos es evaluar el estándar de UGC en las redes sociales porque el contenido generado en las redes sociales puede tener un impacto positivo o negativo en los demás usuarios y también en las personas habituales. El contenido de baja calidad no solo afecta la experiencia de navegación de contenido del usuario, sino que también deteriora el valor estético de las redes sociales. Por lo tanto, nuestro objetivo es evaluar el estándar de contenido con precisión para promover la propagación de contenido de alta calidad. La evaluación exitosa de la calidad de UGC en las redes sociales fomenta la expansión de UGC de alta utilidad, que podría ser utilizado por otras aplicaciones y organizaciones para beneficios sociales u organizacionales. En este documento, proponemos un modelo basado en aprendizaje profundo, que aprovecha la evaluación estándar de UGC. Los resultados experimentales demuestran que nuestro modelo propuesto conduce a una alta precisión y baja pérdida. Las plataformas de redes sociales, foros, blogs y sitios de opinión generan una gran cantidad de conocimiento. Este tipo de datos, como opiniones, emociones y puntos de vista sobre servicios, política y productos, se caracterizan por un formato no estructurado. Los usuarios finales, las industrias comerciales y los políticos están muy influenciados por los sentimientos de las personas expresados ??en las plataformas de redes sociales. Por lo tanto, extraer, analizar, resumir y predecir las emociones de grandes datos no estructurados requiere un análisis de sentimientos automatizado. El análisis de sentimientos es un proceso automático de extracción de opiniones de los datos y clasificación de las emociones como positivas, negativas y neutrales. La falta de suficientes datos etiquetados para el análisis de sentimientos es uno de los desafíos cruciales en el procesamiento del lenguaje. El aprendizaje profundo ha emanado junto con las soluciones más buscadas para abordar este desafío gracias a la capacidad de aprendizaje automatizado y jerárquico inherentemente respaldado por los modelos de aprendizaje profundo. Teniendo en cuenta la aplicación de enfoques de aprendizaje profundo para el análisis de sentimientos, este capítulo tiene como objetivo presentar una taxonomía de características que se deben considerar para el análisis de sentimientos basado en el aprendizaje profundo y desmitificar el papel de los enfoques de aprendizaje profundo para el análisis de sentimientos. El análisis de sentimientos es el proceso automatizado de analizar datos de texto y clasificarlos en sentimientos positivos, negativos o neutrales. El uso de herramientas de análisis de sentimientos para investigar las opiniones en los datos de Twitter puede ayudar a las empresas a entender cómo habla la gente de su marca. Con 321 millones de usuarios activos que envían un promedio diario de 500 millones de tweets, Twitter permite a las empresas llegar a una amplia audiencia y conectar con los clientes sin intermediarios. Por el lado negativo, a las marcas les resulta más difícil detectar rápidamente el contenido negativo.Y si se vuelve viral, es posible que te encuentres con una crisis de relaciones públicas inesperada en tus manos. Esta es una de las razones por las que la escucha social (el seguimiento de las conversaciones en las plataformas de redes sociales) se ha convertido en un proceso importante en el marketing de redes sociales. El seguimiento de Twitter permite a las empresas conocer a su audiencia, mantenerse al tanto de lo que se dice sobre su marca y sus competidores, y descubrir nuevas tendencias dentro de la industria.