Procesamiento de lenguaje natural aplicado a datos masivos generados en medios sociales

https://doi.org/10.31810/rsel.51.2.7

Autores/as

Palabras clave:

Procesamiento de Lenguaje Natural; datos masivos; medios sociales; análisis de sentimiento.

Resumen

La aparición y auge de la comunicación canalizada digitalmente, especialmente de las llamadas redes sociales, reclama capacidades analíticas automatizadas para extraer información y patrones a partir de datos masivos baja o pobremente estructurados con el objetivo de predecir tendencias, acciones y eventos futuros. Este ámbito concita el interés de investigadores y empresas, con implicaciones para la lingüística, la informática, la psicología, las ciencias sociales o la estadística, entre otras áreas.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Amiri, H. y Daume III, H. (2015): «Target-dependent churn classification in microblogs», en Proceedings of the 29th AAAI Conference on AI, pp. 2361-2367.

Androutsopoulos, J. (2013): «Online data collection», en Mallinson, C., Childs, B. y Van Herk, G. (eds.) Data Collection in Sociolinguistics: Methods and Applications, Routledge, pp. 236-249.

Argamon, S., Koppel, M., Pennebaker, J. W. y Schler, J. (2009): «Automatically profiling the author of an anonymous text», Communications of the ACM 52, pp. 119-123.

Balahur, A., Hermida, J. M., Montoyo, A. y Muñoz, R. (2011): «EmotiNet: a knowledge base for emotion detection in text built on the appraisal theories», en Proceedings of the 16th international conference on NLP and information systems, Alicante, pp. 27-39.

Barbieri, F. (2008): «Patterns of age-based linguistic variation in American English», Journal of Sociolinguistics 12, pp. 58-88.

Bosco C., Lai M., Patti V., Rangel F. y Rosso P. (2016): «Tweeting in the debate about Catalan elections», en Proceedings of the LREC Emotion and Sentiment Analysis Workshop, Portorož, pp. 67-70.

Calvo, R. A. y D’Mello, S. (2010): «Affect detection: An interdisciplinary review of models, methods, and their applications», en IEEE Transactions on Affective Computing 1, pp. 18-37.

Chen, L., Org, C., Wang, W., Org, W., Nagarajan, M., Wang, S., Sheth, A. P. y Org, A. (2012): «Extracting diverse sentiment expressions with target-dependent polarity from Twitter», en Proceedings of the 6th International AAAI Conference on Weblogs and Social Media, Dublín, pp. 50-57.

Crystal, D. (2008): Txtng: The Gr8 Db8, Oxford, Oxford University Press.

Dale, R. (2017): «NLP in a post-truth world», Natural Language Engineering 23, pp. 319-324.

Danescu-Niculescu-Mizil, C., Gamon, M. y Dumais, S. (2011): «Mark my words!: Linguistic style accommodation in social media», en Proceedings of the 20th International Conference on WWW, Hyderabad, pp. 745-754.

Daniulaityte, R., Nahhas, R. W., Wijeratne, S., Carlson, R. G., Lamy, F. R., Martins, S. S., Boyer, E. W., Smith, G. A. y Sheth, A. (2015): «‘Time for dabs’: Analyzing Twitter data on marijuana concentrates across the U.S. HHS Public Access», Drug Alcohol Depend 155, pp. 307-311.

Donoso, G. y Sanchez, D. (2017): «Dialectometric analysis of language variation in Twitter», en Proceedings of the Fourth Workshop on NLP for Similar Languages, Varieties and Dialects (VarDial), pp. 16-25.

Eisenstein, J. (2013): «Phonological factors in social media writing», en Proceedings of the Workshop on Language Analysis in Social Media, Atlanta, pp. 11-19.

Gimpel, K., Schneider, N., O’Connor, B., Das, D., Mills, D., Eisenstein, J., Heilman, M., Yogatama, D., Flanigan, J. y Smith, N. A. (2011): «Part-of-speech tagging for Twitter: Annotation, features, and experiments», en Proceedings of the ACL-2011, Stroudsburg, pp. 42-47.

Grčar, M., Cherepnalkoski, D., Mozetič, I. y Novak, P. K. (2017): «Stance and influence of Twitter users regarding the Brexit referendum», Computational Social Networks 4.

Hermida, A. (2012): «Tweets and truth: Journalism as a discipline of collaborative verification», Journalism Practice 6, pp. 659-668.

Hong, L. y Davison, B. D. (2010): «Empirical study of topic modeling in Twitter», en Proceedings of the 1st Workshop on Social Media Analytics, Washington D.C., pp. 80-88.

Huang, B., Kechadi, M. T. y Buckley, B. (2012): «Customer churn prediction in telecommunications», Expert Systems with Applications 39, pp. 1414-1425.

Kawale, J., Pal, A. y Srivastava, J. (2009): «Churn prediction in MMORPGs: A social influence based approach», en Proceedings of International Conference on Computational Science and Engineering. IEEE Computer Society.

Klavans, L. y Resnik, P. (eds.) (1996): The balancing act: Combining symbolic and statistical approaches to language, Cambridge, MIT press.

Lai M., Hernández I., Patti V. y Rosso P. (2017): «Friends and enemies of Clinton and Trump: Using context for detecting stance in political tweets», en Proceedings of the 15th Mexican ICAI, pp. 155-168.

Majumder, N., Poria, S., Gelbukh, A. y Cambria, E. (2017): «Deep learning-based document modeling for personality detection from text», IEEE Intelligent Systems 32, pp. 74-79.

Mendoza, M., Poblete, B. y Castillo, C. (2010): «Twitter under crisis: Can we trust what we RT?», en Proceedings of the 1st Workshop on Social Media Analytics, Nueva York, pp. 71-79.

Mohammad, S., Kiritchenko, S., Sobhani, P., Zhu, X. y Cherry, C. (2016): «Semeval-2016 task 6: Detecting stance in tweets», en Proceedings of SemEval ’16, San Diego, pp. 31-41.

Nguyen D., Doğruöz, A. S., Rosé C. P. y de Jong, F. (2016): «Computational Sociolinguistics: A Survey», Computational Linguistics 42, pp. 537-593.

Schler, J., Koppel, M., Argamon, S. y Pennebaker, J. W. (2006): «Effects of age and gender on blogging», en Proceedings of the AAAI Spring Symposium: Computational Approaches to Analyzing Weblogs, Stanford, pp. 199-205.

Taulé, M., Martí, M.A., Rangel F., Rosso M., Bosco C. y Patti, V. (2017): «Overview of the task on stance and gender detection in tweets on Catalan independence at IberEval 2017», en Notebook Papers of the 2nd SEPLN IBEREVAL Workshop, Murcia, pp. 157-177.

Varol, O., Ferrara, E., Menczer, F. y Flammini, A. (2017): «Early detection of promoted campaigns on social media», en EPJ Data Science, 6.

Verbeke, W., Martens, D. y Baesens, B. (2014): «Social network analysis for customer churn prediction», en Applied Soft Computing 14, pp. 431-446.

Wang, W., Chen, L., Thirunarayan, K. y Sheth, A. P. (2012a): «Harnessing Twitter ‘BigData’ for Automatic Emotion Identification», en IEEE International Conference on Social Computing, Amsterdam, pp. 587-592.

Wang, X., Gerber, M. S. y Brown, D. E. (2012b): «Automatic crime prediction using events extracted from Twitter posts», en Proceedings of the International conference on social computing, behavioral-cultural modeling, and prediction, College Park, pp. 231-238.

Wijeratne, S., Balasuriya, L., Sheth, A. y Doran, D. (2017): «EmojiNet: An open service and API for Emoji Sense Discovery», en Proceedings of the ICWSM-2017.

Xu, J.-M., Jun, K.-S., Zhu, X. y Bellmore, A. (2012): «Learning from Bullying Traces in Social Media», en Proceedings of the 2012 Conference of the North American Chapter of the ACL: Human Language Technologies, Montreal, pp. 656-666.

Zubiaga, A., Liakata, M., Procter, R., Bontcheva, K. y Tolmie, P. (2015): «Towards detecting rumours in social media», en Proceedings of the AAAI Workshop on AI for Cities, pp. 35-41.

Publicado

2021-12-18

Cómo citar

Porta Zamorano, J. ., & Sancho Sánchez, J. L. . (2021). Procesamiento de lenguaje natural aplicado a datos masivos generados en medios sociales: https://doi.org/10.31810/rsel.51.2.7. Revista Española De Lingüística, 51(2), 111-124. Recuperado a partir de http://revista.sel.edu.es/index.php/revista/article/view/2067

Número

Sección

Artículos

Artículos similares

También puede {advancedSearchLink} para este artículo.