A social tag-based dimensional model of emotionsbuilding cross-domain folksonomies

  1. Fernández Tobías, Ignacio
  2. Cantador, Iván
  3. Plaza Morales, Laura
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2013

Número: 51

Páginas: 195-202

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

En este trabajo se presenta un modelo dimensional de emociones basado en etiquetas sociales. El modelo se construye sobre un lexico generado automatica- mente que caracteriza emociones por medio de terminos sinonimos y antonimos. Este lexico se enlaza con diversas folcsonomas emocionales espec cas de dominio. Se propone una serie de metodos para transformar per les de objetos basados en etiquetas sociales en per les emocionales. El objetivo de estos per les es su uso por parte de sistemas adaptativos y de personalizacion que permitan recuperar o re- comendar contenidos en funcion del estado de animo del usuario. Para validar el modelo, se muestra que la representacion de un conjunto de emociones basicas se corresponde con la del aceptado modelo de Russell. Tambien se reportan resultados de un estudio de usuario que demuestran una alta precision de los metodos propues- tos para inferir emociones evocadas por objetos en los dominios del cine y la musica.

Referencias bibliográficas

  • Baccianella, S., A. Esuli, and F. Sebastiani. 2010. Sentiwordnet 3.0: An enhanced lexical resource for sentiment analysis and opinion mining. In Proceedings of the 7th Conference on Language Resources and Evaluation (LREC’10).
  • Baeza-Yates, R. A. and B.A. Ribeiro-Neto. 2011. Modern Information Retrieval - The Concepts and Technology behind Search. Pearson Education.
  • Buckley, C. and E. Voorhees, 2005. TREC: Experiment and Evaluation in Information Retrieval, chapter Retrieval System Evaluation. MIT Press.
  • Cantador, I., P. Brusilovsky, and T. Kuflik. 2011. Second workshop on information heterogeneity and fusion in recommender systems. In Proceedings of the 5th ACM Conference on Recommender Systems (RecSys’11), pages 387–388.
  • Cantador, I., I. Konstas, and J. Jose. 2011. Categorising social tags to improve folksonomy-based recommendations. Journal of Web Semantics, 9(1):1–15.
  • Carrillo-De-Albornoz, J., L. Plaza, and P. Gerv´as. 2010. A hybrid approach to emotional sentence polarity and intensity classification. pages 153–161.
  • Carrillo-De-Albornoz, J., L. Plaza, and P. Gervás. 2012. Sentisense: An easily scalable concept-based affective lexicon for sentiment analysis. In Proceedings of the 8th Conference on Language Resources and Evaluation (LREC’12).
  • De Choudhury, M., Counts S. and M. Gamon. 2012. Not all moods are created equal! exploring human emotional states in social media. In Proceedings of the 6th International AAAI Conference on Weblogs and Social Media.
  • Hastings, J., W. Ceusters, B. Smith, and K. Mulligan. 2011. The emotion ontology: Enabling interdisciplinary research in the affective sciences. In Proceedings of the 7th International and Interdisciplinary Conference on Modeling and Using Context (Context’11).
  • James, W. 1984. What is emotion? Mind,9:188–205.
  • Meyers, O. C. 2007. A mood-based music classification and exploration system. Master’s thesis, School of Architecture and Planning, MIT.
  • Picard, R. W. 1995. Affective computing. Technical Report 321, MIT Media Laboratory, Perceptual Computing Section.
  • Russell, J.A. 1980. A circumplex model of affect. Journal of Personality and Social Psychology, 39(6):1161–1178.
  • Scherer, K. R., A. Shorr, and T. (Eds.) Johnstone. 2001. Appraisal Processes in Emotion: Theory, Methods, Research.
  • Winoto, P. and T. Ya Tang. 2010. The role of user mood in movie recommendations. Expert Systems with Applications, 37(8):6086–6092.
  • Zentner, M., D. Grandjean, and K. Scherer. 2008. Emotions evoked by the sound of music: Characterization, classification, and measurement. Emotion, 8:494–521.
Fuente de los datos: Dialnet