Recunoasterea organizatiilor in postarile pe Tweeter
Upcoming SlideShare
Loading in...5
×
 

Recunoasterea organizatiilor in postarile pe Tweeter

on

  • 543 views

Sistemul descris în această lucrare clasifică o listă de postări pe Tweeter disponibile pentru o companie: postările sunt etichetate cu true dacă aparţin companiei respective sau cu false daca ...

Sistemul descris în această lucrare clasifică o listă de postări pe Tweeter disponibile pentru o companie: postările sunt etichetate cu true dacă aparţin companiei respective sau cu false daca se referă la altceva. Primul pas creează un profil de companie pentru fiecare entitate din mai multe surse: conţinutul sitului web şi opțional termenii oferiţi de Google Sets. Al doilea pas analizează potrivirile dintre profil şi cuvintele din postările pe Tweeter, identificând astfel la ce companie se referă. Cele două module folosesc datele de antrenament disponibile în cadrul sarcinii a doua a competiţiei WePS Evaluation Workshop: Searching Information about Entities in the Web.

Statistics

Views

Total Views
543
Slideshare-icon Views on SlideShare
543
Embed Views
0

Actions

Likes
0
Downloads
0
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Recunoasterea organizatiilor in postarile pe Tweeter Recunoasterea organizatiilor in postarile pe Tweeter Presentation Transcript

    • Recunoaşterea organizaţiilor în postările pe TweeterCoordonator: Absolvent:Prof. Dr. Dan Cristea Elena-Oana TăbăranuDr. Diana Trandabăţ
    • 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
    • Module1. Extragerea de profiluri ale companiilor2. Clasificarea postărilor pe Tweeter UAIC, Facultatea de Informatică 5
    • Extragerea de profiluri ale companiilorEtape ale algoritmului:1. Extragerea paginii de acasă a sitului web al unei organizaţii2. Extragerea de cuvinte cheie din cadrul paginii de acasă: titlu, metadate, antete, legături3. 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 TweeterEtape 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)Configuraţie F-measure Precizie Recall (alpha=0.5)WordNet 0.14 0.65 0.15CompletWordNet Parţial 0.10 0.63 0.09Potrivire simplă 0.08 0.62 0.07şi Google SetsPotrivire simplă 0.03 0.59 0.03 UAIC, Facultatea de Informatică 8
    • Rezultate (II)runName query F-measure precision recall numSampl true_true true_false false_false false_true (alpha=0.5) esWordNet alcatel 0.38 0.38 0.38 481 173 287 10 7parţialWordNet alcatel 0.55 0.54 0.55 481 252 208 9 8completPotrivire alcatel 0.26 0.27 0.25 481 115 345 16 1simplăPotrivire alcatel 0.33 0.34 0.33 481 151 309 12 5simplă şiGoogle Sets UAIC, Facultatea de Informatică 9
    • 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