Abstrato

Previsão eleitoral usando a análise de sentimento do Twitter

Rashiduzzaman Prodhani, Atowar Ul Islam e Luit Das

A análise de sentimentos é o estudo computacional de opiniões, sentimentos, avaliações, atitudes, pontos de vista e emoções expressas em texto. Refere-se a um problema de classificação onde o foco principal é prever a polaridade das palavras e depois classificá-las em sentimento positivo ou negativo. A análise de sentimentos no Twitter oferece às pessoas uma forma rápida e eficaz de medir os sentimentos do público em relação ao seu partido e aos seus políticos. Os principais problemas nas técnicas anteriores de análise de sentimento são a precisão da classificação, uma vez que classificam incorretamente a maioria dos tweets com tendência para os dados de treino. Por conseguinte, recolhi dados ao vivo para prever o resultado eleitoral preciso. O Twitter é um local onde os utilizadores publicam atualizações rápidas e em tempo real sobre diferentes atividades ou eventos, uma vez que a divulgação de informações e notícias é bastante rápida. Utilizamos a biblioteca python “Tweepy” para aceder à API do Twitter e procuramos dados ao vivo do Twitter. Mais de 2.000 tweets para cada candidato de um partido político são obtidos através de palavras-chave. Utilizando a biblioteca “TextBlob” do python, os sentimentos são aplicados a cada tweet e dependendo de tweets mais positivos para um determinado candidato, podemos visualizar uma previsão. Algoritmos de classificação de texto como Naive Bayes, Support Vector Machine (SVM) e Random Forest são utilizados para treinar o modelo utilizando dados rotulados. A precisão do resultado previsto é calculada e o resultado é declarado finalmente, o resultado é representado sob a forma de gráfico de pizza, gráfico de barras para cada candidato político representando sentimentos positivos, negativos e neutros.

Redes sociais; Twitter; Política; Análise de sentimento; Bayes ingénuos; Máquina de vetores de suporte; Positivo; Negativo; Neutro