Análisis de Sentimientos en Redes Sociales Utilizando Técnicas de Aprendizaje Automático y Procesamiento de Lenguaje Natural

Abstract

El objetivo principal de este trabajo es la creación de un modelo de aprendizaje profundo para la categorización de emociones, mediante el uso de Redes Neuronales Recurrentes (RNN) con LSTM (Long Short-Term Memory), implica tanto los elementos técnicos de la puesta en marcha del modelo como los métodos de interpretación, con la finalidad de proporcionar un instrumento que no solo sea exacto, sino también entendible. Se crean modelos de Deep Learning bidireccionales, concretamente MLP (Multilayer Perceptron) y LSTM, que resultan adecuados para manejar datos secuenciales e identificar dependencias a largo plazo en los textos de las redes sociales. El uso de Transfer Learning y Embeddings previamente entrenados tiene un rol crucial en la optimización de la exactitud y eficacia del modelo, dado que facilita la implementación del conocimiento obtenido en modelos entrenados sobre grandes cantidades de datos generales, adaptándolo luego a las particularidades específicas del conjunto de datos de redes sociales. Este método de transferencia acelera el proceso de entrenamiento, potencia la habilidad predictiva del modelo y facilita la obtención de resultados exactos con menos datos categorizados, un aspecto esencial en el ámbito del análisis de emociones en plataformas sociales. Se aplica el método de interpretabilidad a través de la utilización de SHAP para elucidar las decisiones del modelo de forma precisa y clara. Esta metodología facilita la visualización del efecto de cada palabra o elemento del texto en la predicción final, otorgando un entendimiento detallado de cómo el modelo mide y categoriza las emociones. The primary goal of this work is the development of a deep learning model for emotion classification using Recurrent Neural Networks (RNN) with Long Short-Term Memory (LSTM) units. This project addresses both the technical implementation of the model and the methods for interpretability, aiming to deliver a tool that is not only accurate but also transparent and interpretable.Bidirectional deep learning architectures are implemented, specifically Multilayer Perceptrons (MLP) and LSTM networks, which are well-suited for processing sequential data and capturing long-term dependencies in social media text. The integration of Transfer Learning and pre-trained word embeddings plays a pivotal role in optimizing the model's accuracy and efficiency. By leveraging knowledge acquired from large-scale, general-purpose corpora, the model is better adapted to the specific linguistic and contextual characteristics of social media datasets. This transfer learning approach accelerates training, enhances predictive performance, and enables the model to achieve high accuracy with a relatively small amount of labeled data—an essential factor in emotion analysis on social platforms.For model interpretability, SHAP (SHapley Additive exPlanations) is applied to provide clear and precise insights into the model's decision-making process. This method enables the visualization of the impact of individual words or textual elements on the model's predictions, offering a detailed understanding of how emotional categories are inferred from user-generated content.