Publication
Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | pt_PT |
| dc.contributor.advisor | Alves, Paulo Alexandre Pimenta | |
| dc.contributor.author | Amorim, Inês Bettencourt Martins | |
| dc.date.accessioned | 2024-01-16T16:14:12Z | |
| dc.date.available | 2024-01-16T16:14:12Z | |
| dc.date.issued | 2023-10-31 | |
| dc.date.submitted | 2023-09 | |
| dc.description.abstract | This dissertation delves into the domain of sentiment analysis, a computational approach to detect and extract human sentiments from textual data. With the ever-increasing growth of online textual content, especially in the form of reviews, the need to accurately determine customer sentiment has never been more imperative. To explore the efficacy of lexicon-based sentiment analysis models, this study implements 9 models: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT, and ANEW. These models are tested on an Amazon reviews dataset, which is uniquely accompanied by a rating system in which the accuracy of the sentiment extraction can be assessed. The study then further delves into a comparative analysis, collecting the performance of these models to discern their strengths, weaknesses, and overall utility. | pt_PT |
| dc.description.abstract | Esta dissertação aborda o tema de Sentiment Analysis, uma técnica que permite detetar e extrair sentimentos humanos a partir de texto. Com o crescimento exponencial de dados sob a forma de texto online, particularmente nas avaliações dos consumidores, a necessidade de determinar com precisão os sentimentos destes nunca foi tão imperativo. Esta técnica é essencial para converter os dados textuais em informação que pode ser efetivamente utilizada. Para explorar a eficácia dos modelos de Sentiment Analysis na categoria de abordagem por Dicionário, este estudo implementa nove modelos: VADER, TextBlob, NRC Lexicon, SentiWordNet, Pattern, AFINN, Opinion Lexicon, LabMT e ANEW. Estes modelos são testados numa base de dados que contém avaliações da Amazon e classificações através das quais a precisão da extração de sentimento pode ser avaliada. O estudo aprofunda-se numa análise comparativa, avaliando o desempenho destes modelos para identificar os seus pontos fortes, fracos e a sua utilidade. | pt_PT |
| dc.identifier.tid | 203439147 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.14/43609 | |
| dc.language.iso | eng | pt_PT |
| dc.subject | Sentiment analysis | pt_PT |
| dc.subject | Dictionary approach | pt_PT |
| dc.subject | Reviews | pt_PT |
| dc.subject | Ratings | pt_PT |
| dc.subject | Amazon | pt_PT |
| dc.subject | Comparison | pt_PT |
| dc.subject | Sentimento | pt_PT |
| dc.subject | Dicionário | pt_PT |
| dc.subject | Avaliações | pt_PT |
| dc.subject | Classificações | pt_PT |
| dc.subject | Comparação | pt_PT |
| dc.title | Using sentiment analysis to predict Amazon ratings : a comparative study using dictionaries approaches | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Gestão | pt_PT |