Presentación en el marco de las Séptimas Jornadas Argentinas de Data Mining.
El objetivo del Minado de Opiniones - (OM) es recuperar y extraer la orientación semántica de un conjunto de textos para clasificarlos de acuerdo a ella como positivas o negativas.
Presentación en el marco del Datafest La Nación - Universidad Austral.
El objetivo del Minado de Opiniones - (OM) es recuperar y extraer la orientación semántica de un conjunto de textos para clasificarlos de acuerdo a ella como positivas o negativas.
A quienes les gustó esta charla también les gustó... Cómo los Sistemas de Rec...Ernesto Mislej
¿Te preguntaste cómo hace Amazon para recomendarte libros y otros productos? ¿O Netflix para sugerirte nuevas películas o series? ¿Sabías que las ventas a través de recomendaciones superan en varios órdenes de magnitud a las ventas por "top sellers"?
Sistemas de Recomendación es la disciplina derivada del Data Mining que se enfoca en el diseño de filtros personalizados sobre el catálogo de ítems que sean del gusto o del interés del usuario. Para tal fin se utiliza la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
A los sectores más populares como Video-on-Demand, Contenido Digital y eCommerce se le han sumado recomendación de espectáculos, restaurantes, noticias, gente para conocer, chistes y hasta nombres de bebés.
Daremos un repaso por los hitos más importantes de esta emergente área. Contaremos cuáles son y cómo funcionan las principales técnicas. Charlaremos sobre la problemática actual, tendencias y desafíos.
Y sentaremos las bases para armar un sistema de recomendación de vinos.
Tópicos de Big Data - Sistemas de RecomendaciónErnesto Mislej
Los Sistemas de Recomendación (RS), rec. systems, engines, frameworks, platforms es una disciplina derivada del Data Mining que se centra en el diseño de filtros sobre colecciones de items que son del gusto o del interés del usuario.
Para tal fin se utilizan la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
Se trabajan sobre dominos ligados al gusto como son las películas, programas de TV, video por demanda, música, libros, espectáculos, restaurantes, noticias, entre otros.
Referencias: http://mmds.org
Introducción a Big Data
Las unidades temáticas y ejemplos están motivados mayormente en problemas actuales derivados de la Web, su estructura y en los datos que ésta genera a partir de sitios de noticias, redes sociales, buscadores de internet, sistemas de comercio electrónico, entre otros. Para ello se han diseñado una recopilación de técnicas, algoritmos y problemas agrupado en ejes temáticos.
Se dará énfasis a la problemática conocida como Big Data que trata sobre el tamaño de los datos, el modelo de arquitectura y file systems distribuidos de gran escala.
Introducción a los problemas sobre volúmenes de datos muy grandes (Big Data); arquitectura de datos y file system distribuidos de gran escala y modelo map reduce para diseñar algoritmos paralelos. Principio de Bonferroni, límite estadístico en el data-mining. Paradoja de Rhine, Detección de gente sospechosa
Referencias:
http://7puentes.com
http://datamining.dc.uba.ar
http://www.mmds.org
Presentación en el marco del Datafest La Nación - Universidad Austral.
El objetivo del Minado de Opiniones - (OM) es recuperar y extraer la orientación semántica de un conjunto de textos para clasificarlos de acuerdo a ella como positivas o negativas.
A quienes les gustó esta charla también les gustó... Cómo los Sistemas de Rec...Ernesto Mislej
¿Te preguntaste cómo hace Amazon para recomendarte libros y otros productos? ¿O Netflix para sugerirte nuevas películas o series? ¿Sabías que las ventas a través de recomendaciones superan en varios órdenes de magnitud a las ventas por "top sellers"?
Sistemas de Recomendación es la disciplina derivada del Data Mining que se enfoca en el diseño de filtros personalizados sobre el catálogo de ítems que sean del gusto o del interés del usuario. Para tal fin se utiliza la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
A los sectores más populares como Video-on-Demand, Contenido Digital y eCommerce se le han sumado recomendación de espectáculos, restaurantes, noticias, gente para conocer, chistes y hasta nombres de bebés.
Daremos un repaso por los hitos más importantes de esta emergente área. Contaremos cuáles son y cómo funcionan las principales técnicas. Charlaremos sobre la problemática actual, tendencias y desafíos.
Y sentaremos las bases para armar un sistema de recomendación de vinos.
Tópicos de Big Data - Sistemas de RecomendaciónErnesto Mislej
Los Sistemas de Recomendación (RS), rec. systems, engines, frameworks, platforms es una disciplina derivada del Data Mining que se centra en el diseño de filtros sobre colecciones de items que son del gusto o del interés del usuario.
Para tal fin se utilizan la historia de calificaciones realizada por el usuario y por la comunidad de usuarios.
Se trabajan sobre dominos ligados al gusto como son las películas, programas de TV, video por demanda, música, libros, espectáculos, restaurantes, noticias, entre otros.
Referencias: http://mmds.org
Introducción a Big Data
Las unidades temáticas y ejemplos están motivados mayormente en problemas actuales derivados de la Web, su estructura y en los datos que ésta genera a partir de sitios de noticias, redes sociales, buscadores de internet, sistemas de comercio electrónico, entre otros. Para ello se han diseñado una recopilación de técnicas, algoritmos y problemas agrupado en ejes temáticos.
Se dará énfasis a la problemática conocida como Big Data que trata sobre el tamaño de los datos, el modelo de arquitectura y file systems distribuidos de gran escala.
Introducción a los problemas sobre volúmenes de datos muy grandes (Big Data); arquitectura de datos y file system distribuidos de gran escala y modelo map reduce para diseñar algoritmos paralelos. Principio de Bonferroni, límite estadístico en el data-mining. Paradoja de Rhine, Detección de gente sospechosa
Referencias:
http://7puentes.com
http://datamining.dc.uba.ar
http://www.mmds.org
Diapositivas presentadas en el evento "Tormenta Creativa 2012" en Junio de 2012, en Maracaibo, Venezuela, y en "Explosión Creativa" Valencia, en Julio 2012
Lean startup: diseño de productos centrados en el usuarioSol Mesz
En el marco de Telefónica Open Future, me invitaron a dar este webinar sobre lean startup. En esta charla hablo sobre los principales enfoques para el diseño de productos, proceso tradicional vs lean, cómo definir un problema, cómo validar las posibles soluciones, cómo usar el lean canvas, y los riesgos de producto en una startup, entre otros temas.
Ve a una ciudad llena de turismo a hablar de turismo, y mas donde aparentemente todo el mundo esta en internet..., Una metodología es necesaria, no llenarse de herramientas y de redes o de tecnologías, SOlo puedes administrar un Blog, hazlo, solo puedes tener un pages en fb, hazlo, nop a medias, hazlo, Detenerse no es una opción! , En esta charla hice un paralelo con el juego del ajedrez, fue muy divertido
Cómo hacer la mejor integración de las redes sociales a sus centros de contac...Presence Technology
¿Qué son las Redes Sociales?
Cuatro principales tipos de Redes Sociales
¿Por qué son importantes?
La escalera de la TecnografíaTM Social
La redefinición del cliente de valor
Marco estratégico de las Redes Sociales
Plataformas para Redes Sociales
¿A quién pertenecen dentro de la organización?
¿Por qué implicar al Contact Center?
Las herramientas
Redes Sociales apropiadas para los Contact Centers
Proceso a Implantar en el CC y funcionalidades a cubrir
Diseño de interacción, usabilidad aplicada (Tucumán Valley, 16 mayo 2012)Santiago Bustelo
El acelerado acceso a la tecnología a través de PCs, notebooks, tablets y smartphones, entre otros dispositivos, ha dado origen a una nueva disciplina de gran importancia y no siempre explorada por los profesionales de la web: el diseño de interacción (IxD, por sus siglas en inglés).
En la charla se presenta un caso hipotético de creación de una aplicación en la que se repiten algunos de los problemas comunes a los que enfrentan diseñadores, programadores y emprendedores.
Se muestra cómo se resolvería el mismo encargo desde el diseño de interacción y tomando en cuenta la experiencia de usuario, exponiendo las diferencias de criterio y proceso, y la aplicación de un modelo cuantificado para comparar los resultados y lograr calidad.
Una de las tecnologías más revolucionarias que ha cambiado para siempre nuestra vida, sin duda es la Internet; y con ella los motores de búsqueda como Google. Google no fue el primer buscador, sino el primero que pudo combatir eficientemente a los spammers quienes intentan intervenir en la propuesta original de información de la Web. Discutiremos la innovación más grande realizada por Google, el PageRank.
La batalla entre quienes hacer la Web más útil y quienes quieren manipularla para su propio beneficio pareciera nunca terminar. Veremos las formas de vencer y manipular el PageRank, construyendo pequeñas webs llamadas link spam.
Referencias: http://mmds.org
Una tarea fundamental del proceso de datamining consiste en encontrar ítems similares. Un ejemplo es buscar dentro de una colección de páginas web para encontrar páginas near-duplicadas. Estas páginas abundan en la Internet; corresponden a plagios, mirrors, campañas, etc.
Comenzaremos con una noción básica de similaridad basada en conjuntos con relativa gran intersección.
Luego avanzamos con una técnica llamada minhashing, que consiste en comprimir grandes conjuntos de elementos en una pequeña firma (signature) donde se mantenga la noción de cercanía.
Referencias: http://mmds.org
Diapositivas presentadas en el evento "Tormenta Creativa 2012" en Junio de 2012, en Maracaibo, Venezuela, y en "Explosión Creativa" Valencia, en Julio 2012
Lean startup: diseño de productos centrados en el usuarioSol Mesz
En el marco de Telefónica Open Future, me invitaron a dar este webinar sobre lean startup. En esta charla hablo sobre los principales enfoques para el diseño de productos, proceso tradicional vs lean, cómo definir un problema, cómo validar las posibles soluciones, cómo usar el lean canvas, y los riesgos de producto en una startup, entre otros temas.
Ve a una ciudad llena de turismo a hablar de turismo, y mas donde aparentemente todo el mundo esta en internet..., Una metodología es necesaria, no llenarse de herramientas y de redes o de tecnologías, SOlo puedes administrar un Blog, hazlo, solo puedes tener un pages en fb, hazlo, nop a medias, hazlo, Detenerse no es una opción! , En esta charla hice un paralelo con el juego del ajedrez, fue muy divertido
Cómo hacer la mejor integración de las redes sociales a sus centros de contac...Presence Technology
¿Qué son las Redes Sociales?
Cuatro principales tipos de Redes Sociales
¿Por qué son importantes?
La escalera de la TecnografíaTM Social
La redefinición del cliente de valor
Marco estratégico de las Redes Sociales
Plataformas para Redes Sociales
¿A quién pertenecen dentro de la organización?
¿Por qué implicar al Contact Center?
Las herramientas
Redes Sociales apropiadas para los Contact Centers
Proceso a Implantar en el CC y funcionalidades a cubrir
Diseño de interacción, usabilidad aplicada (Tucumán Valley, 16 mayo 2012)Santiago Bustelo
El acelerado acceso a la tecnología a través de PCs, notebooks, tablets y smartphones, entre otros dispositivos, ha dado origen a una nueva disciplina de gran importancia y no siempre explorada por los profesionales de la web: el diseño de interacción (IxD, por sus siglas en inglés).
En la charla se presenta un caso hipotético de creación de una aplicación en la que se repiten algunos de los problemas comunes a los que enfrentan diseñadores, programadores y emprendedores.
Se muestra cómo se resolvería el mismo encargo desde el diseño de interacción y tomando en cuenta la experiencia de usuario, exponiendo las diferencias de criterio y proceso, y la aplicación de un modelo cuantificado para comparar los resultados y lograr calidad.
Una de las tecnologías más revolucionarias que ha cambiado para siempre nuestra vida, sin duda es la Internet; y con ella los motores de búsqueda como Google. Google no fue el primer buscador, sino el primero que pudo combatir eficientemente a los spammers quienes intentan intervenir en la propuesta original de información de la Web. Discutiremos la innovación más grande realizada por Google, el PageRank.
La batalla entre quienes hacer la Web más útil y quienes quieren manipularla para su propio beneficio pareciera nunca terminar. Veremos las formas de vencer y manipular el PageRank, construyendo pequeñas webs llamadas link spam.
Referencias: http://mmds.org
Una tarea fundamental del proceso de datamining consiste en encontrar ítems similares. Un ejemplo es buscar dentro de una colección de páginas web para encontrar páginas near-duplicadas. Estas páginas abundan en la Internet; corresponden a plagios, mirrors, campañas, etc.
Comenzaremos con una noción básica de similaridad basada en conjuntos con relativa gran intersección.
Luego avanzamos con una técnica llamada minhashing, que consiste en comprimir grandes conjuntos de elementos en una pequeña firma (signature) donde se mantenga la noción de cercanía.
Referencias: http://mmds.org
Clase de Introducción a Data Science & Big Data
Maestría en Administración de Empresas de Base Tecnológica - "Seminario límites tecnológicos y tendencias en Informática"
Innovación en Big Data
A esta altura parece una verdad de perogrullo: "Las compañías que mejor utilicen la información, serán las más preparadas para afrontar los desafíos de la competitividad en el futuro". Hemos escuchado frases como estas muchas veces. Tenemos plena convicción de que existe valor en los datos que genera nuestra compañía, sentimos que tenemos que hacer algo pronto o pereceremos. Datos emergen a borbotones, la pregunta es: ¿dónde empezamos a buscar el tan prometido valor?
Dime qué tuiteas y te diré quién eres. DataFest 2013Ernesto Mislej
Nuestra actividad en las redes sociales dice mucho más de lo que somos de lo que creemos. Qué tuiteamos, a qué hora, a quién seguimos y quién nos sigue, cuál es el programa de TV que ocurre mientras tuiteamos, usamos o no hashtags, le respondemos a otros usuarios famosos, entre otras; son acciones objetivas y medibles, que alimentan modelos de inferencia para construir perfiles de usuario y de comunidades. Qué cosas decimos, qué dicen de nosotros. Cómo mantener la privacidad en el mundo virtual actual.
Inteligencia Artificial y Ciberseguridad.pdfEmilio Casbas
Recopilación de los puntos más interesantes de diversas presentaciones, desde los visionarios conceptos de Alan Turing, pasando por la paradoja de Hans Moravec y la descripcion de Singularidad de Max Tegmark, hasta los innovadores avances de ChatGPT, y de cómo la IA está transformando la seguridad digital y protegiendo nuestras vidas.
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0...Telefónica
Índice del libro "Big Data: Tecnologías para arquitecturas Data-Centric" de 0xWord escrito por Ibón Reinoso ( https://mypublicinbox.com/IBhone ) con Prólogo de Chema Alonso ( https://mypublicinbox.com/ChemaAlonso ). Puedes comprarlo aquí: https://0xword.com/es/libros/233-big-data-tecnologias-para-arquitecturas-data-centric.html
3Redu: Responsabilidad, Resiliencia y Respetocdraco
¡Hola! Somos 3Redu, conformados por Juan Camilo y Cristian. Entendemos las dificultades que enfrentan muchos estudiantes al tratar de comprender conceptos matemáticos. Nuestro objetivo es brindar una solución inclusiva y accesible para todos.
2. Resumen
El objetivo del Minado de Opiniones - (OM) es recuperar y
extraer la orientación semántica de un conjunto de textos
para clasificarlos de acuerdo a ella como positivas o
negativas.
Durante la charla desarrollaremos el proceso de
descubrimiento de conocimiento para el dominio de
información de opinión: recuperación y confección del
corpus de opinión, modelado de actores y tópicos,
extracción de frases y textos subjetivos, diseño de modelos
de sentimiento y presentación de resultados.
Discutiremos diferentes particularidades del problema como
el dominio de información, particularidades del canal de
comunicación, audiencia, entre otros.
3. Outline
• Intro & Background
• Modelo Formal
• Subtareas
• Recuperación de Opiniones (Opinion Retrieval)
• Modelos de Análisis de Sentimiento (Sentiment Analysis)
• Resumen (Summarization)
• Problemas y desafíos
• Referencias
4. Intro
• OM es una disciplina relativamente reciente que utiliza
técnicas de IR, AI, ML y NLP para recuperar textos de
opinión e inducir la orientación/polaridad semántica.
• Más informalmente, extraer opiniones y sentimientos de
textos.
• Incluye subtareas como:
• Recuperación de Opiniones (Opinion Retrieval)
• Modelos de Análisis de Sentimiento (Sentiment Analysis)
• Resumen (Summarization)
• La social media es una gran espacio donde se comparten
opiniones y experiencias de consumidores.
5. Opinion Mining is Big Business
!"#$%&'#()*+,*-.%,,#%/01*234
!"#$#%$&'#$#$(&#)&*#(&*+)#$,))
Alguien que quiere comprar una
! -%.,%$,&/0%&/1$2)&2%&3+4&1&51.,61
cámara
! 7%%8)&9%6&5%..,$2)&1$:&6,;#,/)
• Busca comentarios y reviews.
! -%.,%$,&/0%&<+)2&3%+(02&1&51.,61
Alguien que ya compró una cámara
! =%..,$2)&%$
• Escribe su experiencia.
! >6#2,)&13%+2&20,#6&,?",6#,$5,
• Fanático vs. contra-fanático.
! =1.,61&'1$+9152+6,6
Fabricante
! @,2)&9,,:3158&96%.&5+)2%.,6
• Obtiene feedback de los
! A."6%;,&20,#6&"6%:+52)
consumidores.
! B:<+)2&'168,2#$(&-2612,(#,)
• Mejora de los productos.
• Adapta estrategias de márketing.!
6. Otras aplicaciones Opinion Mining
Ads placements
• Relevar e identificar la ubicación para imprimir un ad en la
social media.
• Teniendo en cuenta opiniones de la página huésped.
• Opiniones propias y de la competencia.
Influencia y Reputación
• Identificar usuarios líderes y formadores de opinión.
• Predecir compra de usuarios.
Opinion Spam
• Identificar opiniones falsas.
• Identificar usuarios falsos/sesgados.
8. El vestido de Venus
!"#$%&'#()*+,*-.%,,#%/01*234
!"#$#%$&'#$#$(&)*"%+)+&,-)+)&#$+#(-,+
!
9. Online social media sentiment apps
• Twitter sentiment: http://twittersentiment.appspot.com/
• Twends: http://twendz.waggeneredstrom.com/
• Twittratr: http://twitrratr.com/
• SocialMention: http://socialmention.com/
• . . . +40 empresas en USA
• Tribatics: http://www.tribatics.com/
• SocialMetrix: http://socialmetrix.com/
• Zenzey: http://www.zenzey.com/
• Ventura*: http://7puentes.com/products/ventura/
10. Online social media sentiment apps - Issues
• Funciona para gente famosa!
• Diferentes estrategias para construir los modelos de
sentiment analysis causan resultados muy dispares.
• Basados en diccionarios, rule-based, SVM, EM, etc.
• Dificultad para separar la polaridad general
• Buzz (menciones) vs. Opiniones.
• Muchas veces funciona muy bien. Y algunas muy mal.
11. Pippa Middleton
Pippa Middleton has revealed the
secret to her perfect figure -
Pilates classes.
http://dlvr.it/S9Cy8
Accuracy of twitter sentiment apps
• TweetFeel: 25 % ⊕, 75 %
• Twendz: no encontró
• TipTop: 42 % ⊕, 11 %
• Twitter Sentiment: 62 % ⊕, 38 %
12. No sólo cámaras y vestidos...
• Películas, obras de teatro, libros, moda.
• Predicciones, tendencias, humor social.
• Monitoreo de opinión pública de acciones de gobierno,
actos de campaña.
• Feedback sobre congresos, eventos, conferencias.
• Monitoreo de catástrofes, accidentes, estado del tránsito,
etc.
• Comportamiento del mercado de valores. Medir el buzz de
acciones, bonos, títulos.
13. ¿La voz del pueblo o de un experto?
Depende de la complejidad de la pregunta. Y de la precisión de
la respuesta.
¿Cuál es la altura del monte
¿Cuál es la capital de España?
Kilimanjaro?
1 Barcelona
1 19,341 ft
2 Madrid
2 23,341 ft
3 Valencia
3 15,341 ft
4 Sevilla
4 21,341 ft
14. No todas las opiniones valen lo mismo
• ¿Cómo medir el valor de una opinión?
• Usuario expertos del dominio.
• Usuario frecuentes.
• Spammer?
• Expertos en un área no necesariamente son expertos en
otra.
Confianza
• Basada en el vínculo (local): User-similarity, entramado
social.
• Basada en la reputación (global): Esta recomendación me ha
sido útil
15. Modelo Formal - Bing Liu
Una opinión tiene estas componentes:
< gi , ajk , soijkl , hi , tl >
Donde:
• gj es el objeto target.
• akj es un aspecto o característica del objeto target.
• soijkl el es valor de la orientación subjetiva que emite el
opinion holder hi , sobre el objeto gj para un aspecto akj en el
momento tl . soijkl puede ser positivo, negativo, neutro o un
score numérico.
• hi es el opinion holder o el autor de la opinión
• tl es el momento en que la opinión es expresada
16. Subtareas
Opinion Retrieval & Extraction
• Recuperar de grandes volúmenes de textos, aquellos que
contienen referencia al objeto.
• Luego identificar el contexto de opinión.
Sentiment Analysis
• Extraer la polaridad de la opinión
• Puede ser positivo-negativo, pos-neg-neutro, o una escala
numérica.
Opinion summarization
• Resumir la opinión general de un conjunto de opiniones o
de una opinón con varias facetas.
• El resumen puede ser una metáfora visual.
17. Opinion Retrieval & Extraction
Me compré una cámara de fotos el día de ayer. Me salió
muy cara, pero saca unas fotos excelentes y la batería
dura mucho.
• Identificar zonas dentro de la página que responden a un
texto de opinión.
• Reglas sintácticas, estructurales del sitio.
• Modelos estadísticos sobre sliding windows.
• Identificación del objeto, marca.
• Contexto fijo y variable.
• Detección de puntos, fin de párrafo, etc.
• ID, hastag, sinónimos, hiperónimos, etc.
18. Sentiment Analysis
Me compré una cámara de fotos el día de ayer. Me salió
muy cara, pero saca unas fotos excelentes y la batería
dura mucho.
• muy cara → negativo.
• fotos excelentes → positivo.
• dura poco → negativo.
• Métodos basados en reglas: diccionarios, boosted weak
rules, etc.
• Modelos de machine learning: SVM, NB, EM.
• Prepos: steming, lematización, extracción de palabras por
función (ADJ, VER, ADV).
19. Opinion summarization
positive CAMERA Picture Battery Zoom Size Weight
• Precio: Negativo
• Fotos: Positivo
• Bateria: Negativo
• Impresión general: 3/10.
negative Digital Camera 1
(A) Feature-based summary of opinions on a digital camera
positive CAMERA Picture Battery Zoom Size Weight
negative Digital Camera 1 Digital Camera 2
(B) Opinion comparison of two digital cameras
Fig. 2. Visualization of feature-based opinion summary and comparison
The summary in Fig. 1 can be easily visualized using a bar chart [10]. Fig. 2(A) shows such a chart. In the
20. Opinion summarization
Ejemplo: AIT en opinión política!
Elecciones legislativas 2009! Controles de Alcoholemia!
Seguimiento Gripe A!
7puentes.com! Análisis Inteligente de Textos!
21. Desafíos
• Opiniones comparativas.
El iphone 4 anda más lento que el Samsung S3
• Modelos de Sentiment Analisis independientes de dominio.
• Resolución de correferencias.
• Frases condicionales.
Si estás buscando un celular muy bueno, comprá un
Nokia.
• Sarcasmo e ironía. Muy presente en blogs y foros de
contenido político.
• Utilidad de la opinión. Tu opinión me ha sido muy útil
22. Opinion spam
• Opiniones falsas, sesgadas, pagas.
• Manipulación de social media. Identidades falsas. Sock
puppetting.
• Detección a partir del comportamiento del autor.
• Individual spammer vs. Group spammer.
• Patrones en la distribución del ranking y en el flujo de
apariciones de nuevas opiniones.
• Opiniones duplicadas. Templates de opiniones.
• Etiquetar el corpus y/o construirlo es muy costoso.
Mechanical turk.
23. Referencias
• Opinion Mining: Exploiting the Sentiment of the Crowd,
Diana Maynard, Adam Funk, Kalina Bontcheva. University
of Sheffield, UK. 1995-2012
• Sentiment Analysis and Opinion Mining, Bing Liu,
AAAI-2011, EACL-2012, and Sentiment Analysis
Symposium, Department of Computer Science, University
Of Illinois at Chicago
• Sentiment Analysis and Opinion Mining. Morgan & Claypool
Publishers. May 2012., Bing Liu.