Sentiment Analysis en la web semántica

Permanent URI for this collection

https://repositorio.uai.edu.ar/handle/123456789/383

Browse

Browsing Sentiment Analysis en la web semántica by Author "Litterio, Alejandra M. J."
  • Item
    De los lexicones : NLP en la construcción del lexicón de drivers de mercado en español
    (Universidad Abierta Interamericana. Facultad de Tecnología Informática, 2019-4-29) Litterio, Alejandra M. J.
    En nuestra aproximación sobre el análisis e interpretación de las noticias financieras sostenemos que, además de la necesidad de un lexicón de propósitos específicos para finanzas, es fundamental contar con lexicones de “drivers de mercado”, siendo un driver de mercado, aquel factor que ejerce un efecto material sobre una actividad de otra entidad, contextualmente dependiente y que afecta al mercado financiero en un momento determinado. Desde nuestro enfoque, proponemos: en primer lugar, conceptualizar las diferentes categorías de “drivers de mercado”, en segundo lugar, explicar de manera sucinta cómo mediante las técnicas de Procesamiento de Lenguaje Natural (NLP) se realiza la construcción del lexicón de drivers, y explicitar la relevancia del lexicón de drivers en la interpretación de noticias financieras y su correlación con los movimientos del mercado.
  • Item
    FSAL : Lexicón financiero de sentimiento en español rioplatense diseñado para "Bolsas y Mercados Argentinos" (BYMA)
    (Universidad Abierta Interamericana. Facultad de Tecnología Informática, 2018-5-29) Braña, Juan Pablo ; Fernández, Alejandro ; Litterio, Alejandra M. J.
    En la última década, se ha estudiado cómo el Análisis de Sentimiento basado en lexicones en combinación con técnicas de Machine Learning puede ser utilizado para optimizar estrategias de Trading Algorítmico. El presente trabajo tiene como objetivo mostrar que un lexicón de dominio específico en finanzas (FSAL) diseñado para Bolsas y Mercados Argentinos obtiene mejores resultados que un lexicón de propósitos generales (SDAL). Primero, proponemos un lexicón a medida en finanzas. Segundo, mostramos que nuestro lexicón supera los resultados obtenidos en comparación a los resultados de un lexicón de propósitos generales aplicado sobre un corpus compuesto por tweets de cuentas de comunidades de confianza de los mercados argentinos, previamente clasificado de manera colaborativa por expertos en finanzas. Luego, realizamos un estudio comparado de los lexicones aplicando diferentes técnicas de Machine Learning. Final¬mente, presentamos algunos resultados preliminares y conclusiones.