Un equipo del la Universitat Politècnica de València ha desarrollado un método para detectar el tono irónico en las opiniones vertidas en las redes sociales. Según los investigadores, la herramienta, que traduce las características abstractas de la ironía a patrones textuales, está indicada para el sector empresarial. "Los sistemas actuales de polaridad positiva y negativa ante una opinión irónica suelen fallar; parece que se esté hablando de manera positiva y no es así y esto puede repercutir en los resultados de una compañía", señalan.
Expertos del Laboratorio de Ingeniería en Lenguaje Natural (Lab NLE), integrado en el Grupo de Ingeniería del Lenguaje Natural y Reconocimiento de Formas (ELiRF) de la Universitat Politècnica de València, han desarrollado un nuevo método para la detección automática de la ironía en las opiniones vertidas en las redes sociales.
El método, desarrollado por el investigador Paolo Rosso y el doctorando mexicano de la UPV, Antonio Reyes, está especialmente indicado para el sector empresarial. “Las redes sociales son un termómetro perfecto para las compañías; desde Twitter, TripAdvisor, Amazon, etc. pueden saber qué opinan los consumidores sobre un determinado producto o sobre la propia empresa. Y hoy, los sistemas automáticos de polaridad (positiva contra negativa), ante una opinión irónica suelen fallar; parece que se hable de manera positiva y no es así y esto puede llegar a repercutir mucho en los resultados de una compañía", afirma Rosso.
Para el desarrollo del método, el equipo del Lab LNE trabajó con un conjunto de datos procedentes de diferentes redes sociales. “Mediante el análisis de una serie de opiniones de clientes, consideradas irónicas, tratamos de encontrar pistas sobre cómo hacer frente a esta tarea desde un punto de vista computacional. Nuestro objetivo era reunir un conjunto de elementos de discriminación que representan a la ironía”, apunta Reyes.
Todo el proceso está sustentado en analizar lingüísticamente las características que varios autores, expertos en la materia, ha propuesto para describir la ironía. “Dado que dichas características a menudo caen en cuestiones muy abstractas que difícilmente podrían tener una formalización computacional, lo que hacemos es traducir las características abstractas de la ironía a patrones textuales que nos permitan representar el núcleo de significado y, sobre todo de uso, respecto de este concepto”, dice Rosso.
Modelos basados en ejemplos coloquiales
Según los investigadores, la principal ventaja de este método recae en el hecho de que los patrones de los modelos desarrollados buscan representar, de una forma lo menos abstracta posible, las características de la ironía. Asimismo, el hecho de que los modelos no se limiten a representar ejemplos ad hoc, literarios o prototípicos de la ironía aumenta sus posibilidades de aplicación.
“Nuestro objetivo futuro es que la herramienta que desarrollemos pueda detectar enunciados irónicos independientemente del tipo de discurso o incluso de lenguaje; en este sentido, al basar nuestros modelos en ejemplos coloquiales, producidos por usuarios reales en contextos generalizables (por ejemplos, tweets, comentarios, reseñas, etc.) procuramos que los escenarios de aplicación no se limiten a buscar enunciados irónicos en los textos de Quevedo, por ejemplo, sino en textos más comunes como los que vemos todos los días en Amazon o en e-bay”, añade Antonio Reyes.
El trabajo desarrollado los investigadores de la UPV ha sido publicado en las revistas Data and Knowledge Engineering y Decision Support Systems.
Referencias bibliográficas:
Reyes, A., Rosso, P, Buscaldi, D. "From humor recognition to irony detection: The figurative language of social media. Data and Knowledge Engineering". vol. 74, pp.1-12, 2012. DOI: 10.1016/j.datak.2012.02.005
Reyes, A., Rosso, P. "Making objective decisions from subjective data: Detecting irony in customer reviews. Decision Support Systems". DOI: 10.1016/j.dss.2012.05.027
La velocidad se incrementa a medida que el futbolista se acerca al balón, sin embargo, disminuye ligeramente al llegar a él. Los delanteros son los que corren más directamente hacia el esférico, mientras que los porteros lo hacen de una forma más paralela. Son algunos resultados de un estudio de investigadores españoles.
Investigadores de la compañía Google DeepMind han desarrollado Tactic AI, un asistente que podría ayudar a los entrenadores a elegir las mejores configuraciones de jugadores tras un saque de esquina. La herramienta se ha entrenado con datos de más de 7000 córneres de la Premier League y la han validado expertos del Liverpool FC.
