• Mineração de opinião e análise de sentimentos são as técnicas mais usadas de mineração de texto em rede social.
• Dar uma ideia geral e comentar as limitações.
• Apresentar os conjuntos léxicos de sentimentos.
• Fazer uma aplicação simples.

• Opiniões e pontos de vista.
  • E.g. classficação de posição política.
  • Podem haver várias classes.
  • Requer algoritmo de classificação e conjunto para seu treinamento.
  • Dados rotulados nem sempre são acessíveis.
• Análise de sentimento.
  • Determinar a polaridade (+1, 0, -1).
  • Pode ser resolvido com um dicionário de termos classificados.
  • Está associado com extração de informação.

• Nível de documento.
• Nível de sentença.
• Nível de palavra.
  • Análise de sentimento.
  • Soma algébrica das polaridades dos termos.
• Problemas com tratamento da negação:
  • Negação pré-verbal.
  • Negação pós-verbal.
  • Negação pré e pós-verbal.
• Problemas com variações imprevisiveis:
  • Tony Stark? Amoooo!.
  • Estou com sdd de vc. Volta logo. ;-* .

• SentiLex-PT 02;
  • Contém 7.014 lemas e 82.347 formas flexionadas.
  • Abrange adjetivos, nomes, verbos e expressões.
  • Possui a polaridade e categoria gramatical de cada palavra.
• OpLexicon 3.0.
  • Contém 32.191 palavras polarizadas e classificadas gramaticalmente.
  • Inclui emoticons e hashtags.

#-----------------------------------------------------------------------
# Lendo o dicionário léxico de sentimentos.

sent <- read.table("oplexicon_v3.0/lexico_v3.0.txt",
                   header = FALSE,
                   sep = ",",
                   quote = "",
                   stringsAsFactors = FALSE)
names(sent) <- c("term", "class", "pol", "ann")
xtabs(~class + pol, data = sent)

##               pol
## class             -1     0     1
##   adj          12825  6226  5424
##   emot            45     9    12
##   vb            1297  2761  2831
##   vb adj          15     0    59
##   vb adv           4     0    18
##   vb det n prp    41     0    62
##   vb n prp        28     0    63

#-----------------------------------------------------------------------
# Lendo opiniões sobre Capitão América: Gerra Civil na Google Play.

library(XML)

# `pg` é a página tirada da Google Play com o RSelenium.
load("./scripts/Captain_America_Civil_War.RData")
doc <- htmlParse(pg)
path <- paste0("//div[@class = 'single-review']",
               "/div[@class = 'review-body with-review-wrapper']")

# Extrai os reviews.
reviews <- xpathSApply(doc,
                       path = path,
                       fun = xmlValue)

# Conserta problema de encoding. Deveria ser consertado na leitura.
reviews <- iconv(reviews, to = "iso-8859-1")

# Considerar apenas as primeiras opiniões.
rev <- reviews[1:20]

#-----------------------------------------------------------------------
# Criando o Corpus.

library(tm)

cps <- VCorpus(VectorSource(rev),
               readerControl = list(language = "pt"))
cps

## <<VCorpus>>
## Metadata:  corpus specific: 0, document level (indexed): 0
## Content:  documents: 20

replacePunctuation <- content_transformer(
    function(x) {gsub("[[:punct:]]"," ", x)})

# Fazendo as operações de limpeza.
cps <- tm_map(cps, FUN = content_transformer(tolower))
cps <- tm_map(cps, FUN = replacePunctuation)
cps <- tm_map(cps, FUN = removeNumbers)
cps <- tm_map(cps, FUN = stripWhitespace)

# Criada com o vocabulário existente no corpus.
dtm_cor <- DocumentTermMatrix(cps)
dtm_cor

## <<DocumentTermMatrix (documents: 20, terms: 415)>>
## Non-/sparse entries: 695/7605
## Sparsity           : 92%
## Maximal term length: 17
## Weighting          : term frequency (tf)

# Criada com o vocabulário do dicionário.
dtm_dic <- DocumentTermMatrix(cps,
                              control = list(dictionary = sent$term))
dtm_dic

## <<DocumentTermMatrix (documents: 20, terms: 31648)>>
## Non-/sparse entries: 169/632791
## Sparsity           : 100%
## Maximal term length: 25
## Weighting          : term frequency (tf)

# A intersecção entre os termos do corpus e do dicionário.
inter <- intersect(x = Terms(dtm_cor),
                   y = sent$term[sent$pol != 0])
# length(inter)

# Obter o vetor de polaridades associada aos termos na matriz.
lex <- merge(x = data.frame(term = inter,
                            stringsAsFactors = FALSE),
             y = sent,
             sort = FALSE)
# str(lex)

# Remover os termos na DTM que não tem polaridade atribuida.
m <- as.matrix(dtm_cor)
m <- m[, lex$term]

# Verifica dimensões e disposição.
all.equal(colnames(m), lex$term)

## [1] TRUE

# Média aritmética das polaridades por termo em cada documento.
pol <- (m %*% cbind(lex$pol))/rowSums(m)
fra <- sapply(lapply(rev, strwrap, width = 60), "[[", 1)
knitr::kable(data.frame(Polaridade = pol, Fragmento = fra))

• É óbvio que a abordagem utilizada é muito simples.
• É óbvio que você não ficou satisfeito.
• Como lidar com o problema da negação?
• Como aproveitar um amoooo e expressões coloquiais?

• Uma alternativa é treinar um algorítmo de classificação.
• Vai demandar textos rotulados com a polaridade.
• Vai precisar criar as características.
  • Pode usar a matriz de documentos e termos diretamente.
  • Utilizar métodos de text to vectors e feature learning.
• Vai precisar treinar para então se aplicado para novos documentos.