Del Texto a la Emoción: Análisis de Sentimientos de Reseñas Cinematográficas.

Resumen

En este trabajo, se propone explorar y desarrollar un modelo de análisis de sentimientos utilizando técnicas de aprendizaje profundo para clasificar reseñas cinematográficas. A través de este estudio, se busca no solo contribuir al campo del Procesamiento de Lenguaje Natural (PLN), sino también ofrecer una herramienta útil para la industria cinematográfica y los entusiastas del cine. El modelo fue desarrollado mediante el uso de redes neuronales construidas con Keras y TensorFlow, y se entrenó con un conjunto de datos de reseñas en español previamente etiquetadas como positivas o negativas. El proceso incluyó la adquisición de datos, limpieza y preprocesamiento mediante tokens y técnicas de TF-IDF para convertir las reseñas en representaciones numéricas.
Los resultados mostraron una precisión general del 85% en el conjunto de prueba, lo que indica que el modelo es capaz de identificar correctamente el sentimiento en la mayoría de los casos. Sin embargo, en reseñas ambiguas o con sentimientos mixtos, el modelo presentó ciertas limitaciones, lo que destaca la necesidad de incorporar técnicas de análisis de contexto más profundo. La implementación del modelo en una aplicación web mediante Flask, permitió ofrecer una experiencia de usuario fluida y en tiempo real, con tiempos de respuesta de aproximadamente 0.5 segundos. Este proyecto contribuye al campo del PLN al proporcionar una herramienta práctica y eficiente para el análisis de sentimientos en reseñas de películas, y sienta las bases para futuras mejoras en la clasificación de sentimientos complejos.