Mejorando el Análisis de Sentimiento de Tweets en Persa: Un Enfoque Basado en Transformadores

En el mundo moderno de hoy, la prominencia de las redes sociales es innegable, destacándose Twitter como una plataforma fundamental para la comunicación global y el intercambio de información, particularmente en la expresión y amplificación de emociones. En esta era digital, el análisis de sentimiento ha surgido como una herramienta crucial para medir emociones y reacciones a eventos diarios, especialmente en el contexto de la mejora empresarial. Permite a las empresas descifrar de manera rápida y efectiva las tendencias e insights de los clientes. Dentro del ámbito del análisis de sentimiento, encontramos una variedad de modelos, cada uno con sus características y limitaciones únicas. Esta investigación tiene como objetivo amalgamar las fortalezas de diversos enfoques integrando el clasificador Naive Bayes, un modelo personalizado basado en reglas y BERT, un modelo transformador relativamente ligero, particularmente en el contexto del análisis de sentimiento de medios en Twitter en persa. Nuestros hallazgos revelan que modelos tradicionales como SVM, Naïve Bayes y MLP por sí solos no arrojan resultados de alta calidad. Nuestro modelo híbrido, cuando se usa de manera independiente, supera a BERT, logrando una precisión del 89% comparado con el 86% de BERT, lo que representa un avance significativo en el análisis de sentimiento. Aunque es ligeramente más complejo estructuralmente, mantiene una intensidad computacional similar al ajuste fino de BERT mientras supera a BERT cuando se usa individualmente. Este avance proviene de nuestro enfoque único de integrar Naive Bayes y un modelo personalizado basado en reglas, posteriormente aprovechando BERT para la clasificación de sentimientos, mejorando así su efectividad en contextos de redes sociales.