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.

1. Recunoaşterea organizaţiilor în
postările pe Tweeter
Coordonator: Absolvent:
Prof. Dr. Dan Cristea Elena-Oana Tăbăranu
Dr. Diana Trandabăţ

2. 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

3. 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

4. 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

5. Module
1. Extragerea de
profiluri ale
companiilor
2. Clasificarea
postărilor pe
Tweeter
UAIC, Facultatea de Informatică 5

6. Extragerea de profiluri ale companiilor
Etape ale algoritmului:
1. Extragerea paginii de acasă a sitului web al unei organizaţii
2. Extragerea de cuvinte cheie din cadrul paginii de acasă: titlu,
metadate, antete, legături
3. Salvarea informaţiilor extrase (cele mai frecvente 25 de
cuvinte)
4. Extensia profilului cu termeni oferiţi de Google Sets
(opţional)
UAIC, Facultatea de Informatică 6

7. Clasificarea postărilor pe Tweeter
Etape 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

8. Rezultate (I)
Configuraţie F-measure Precizie Recall
(alpha=0.5)
WordNet 0.14 0.65 0.15
Complet
WordNet Parţial 0.10 0.63 0.09
Potrivire simplă 0.08 0.62 0.07
şi Google Sets
Potrivire simplă 0.03 0.59 0.03
UAIC, Facultatea de Informatică 8

9. Rezultate (II)
runName query F-measure precision recall numSampl true_true true_false false_false false_true
(alpha=0.5) es
WordNet alcatel 0.38 0.38 0.38 481 173 287 10 7
parţial
WordNet alcatel 0.55 0.54 0.55 481 252 208 9 8
complet
Potrivire alcatel 0.26 0.27 0.25 481 115 345 16 1
simplă
Potrivire alcatel 0.33 0.34 0.33 481 151 309 12 5
simplă şi
Google Sets
UAIC, Facultatea de Informatică 9

10. 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

11. 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

12. 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