Clasificación de comentarios de redes sociales mediante el uso de redes neuronales Bi-LSTM para la toma de decisiones estratégicas en el mercado de café de Panamá
DOI:
https://doi.org/10.17081/invinno.13.1.7902Palabras clave:
redes neuronales Bi-LSTM, minería de datos, inteligencia de negocios, analítica de redes sociales, toma de decisiones, inteligencia artificialResumen
Objetivo. El objetivo de este estudio fue diseñar un modelo de redes neuronales bidireccionales LSTM (Bi-LSTM) para clasificar comentarios de redes sociales, con el fin de proporcionar un soporte efectivo en la toma de decisiones estratégicas en el mercado del café en Panamá.
Métodos. La metodología consistió en cinco pasos principales: 1) Extracción de datos de las redes sociales, 2) Limpieza de los datos, 3) Preprocesamiento de los datos, 4) Implementación del modelo Bi-LSTM y evaluación, 5). Análisis de los resultados y proceso de toma de decisiones.
Resultados. El modelo Bi-LSTM implementado demostró ser efectivo en la clasificación de comentarios de redes sociales, obteniendo una precisión del 76%, recall del 75%, y un puntaje F1 de 75% en la categoría de acción, y una precisión del 82%, recall del 81%, y puntaje F1 del 81% en la categoría de objeto. Estos resultados destacan la capacidad del modelo para proporcionar información útil para la toma de decisiones estratégicas en el mercado del café en Panamá.
Conclusiones. El estudio concluye que el uso de redes neuronales Bi-LSTM es una herramienta poderosa para clasificar comentarios de redes sociales y puede ser aplicada eficazmente en el análisis de mercados para apoyar la toma de decisiones estratégicas. La implementación de esta metodología en el mercado del café en Panamá ofreció una ventaja competitiva al proporcionar percepciones detalladas sobre las opiniones de los consumidores, que pueden ser utilizadas para mejorar la calidad del producto y la estrategia de mercado.
Citas
1. X. Rodríguez, J. Chilán & D. Ponce. “La investigación de mercado impacto que genera en la toma de decisiones”, Dominio de las Ciencias, vol. 7(1), pp. 79–94, 2021. DOI: https://doi.org/10.23857/dc.v7i1.1692.
2 Z. Wu, Y. Zhang, Q. Chen & H. Wang. “Attitude of Chinese public towards municipal solid waste sorting policy: A text mining study”. Science of the Total Environment, vol. 756, 2021. DOI: https://doi.org/10.1016/j.scitotenv.2020.142674.
3 A. Feizollah, M. Mostafa, A. Sulaiman, Z. Zakaria & A. Firdaus. “Exploring halal tourism tweets on social media”. J Big Data, vol. 8(1), 2021. DOI: https://doi.org/10.1186/s40537-021-00463-5.
4 P. Yaneva. “Theoretical and methodological aspects of the analysis and evaluation of the marketing activity of the enterprise in the process of strategic marketing decision-making”. Revista Inclusiones, vol. 8(1), pp. 350–357, 2021.
5 T. Laor. “Twitter as a clique: Journalists’ patterns of Twitter use in Israel. Online Information Review, vol. 46(1), pp. 40–58, 2022. DOI: https://doi.org/10.1108/OIR-07-2020-0324.
6 B. Heravi & N. Harrower. “Twitter journalism in Ireland: sourcing and trust in the age of social media”. Inf Commun Soc, vol. 19(9,) pp. 1194–1213, 2016. DOI: https://doi.org/10.1080/1369118X.2016.1187649.
7 K. Oatley, D. Keltner & J. Jenkins. “Understanding emotions”. 2nd ed. Malden: Blackwell Publishing, 2006.
8 R. Lord, R. Klimoski & R. Kanfer. “Emotions in the workplace : Understanding the structure and role of emotions in organizational behavior”. Human Relations, 57(10), pp. 1343-1350. DOI: https://doi.org/10.1177/001872670405701008.
9 M. D’Orazio, G. Bernardini & E. Di Giuseppe. “Predict the priority of end-users’ maintenance requests and the required technical staff through LSTM and Bi-LSTM recurrent neural networks”. Facilities, 41(15/16), 38-51, 2023. DOI: https://doi.org/10.1108/F-07-2022-0093.
10 T. Laor. “My social network: Group differences in frequency of use, active use, and interactive use on Facebook, Instagram and Twitter”, Technol Soc, vol. 68, 2022. DOI: https://doi.org/10.1016/j.techsoc.2022.101922.
11 F. Stoeckel. “Tracking and analysing transactional data to support the provision of mental healthcare in community pharmacies: An evaluation of public perspectives”. Doctoral dissertation, University of Nottingham. 2022.
12 Y. Himeur, M., Elnour, F., Fadli, N., Meskin, I., Petri, Y., Rezgui & A. Amira. “AI-big data analytics for building automation and management systems: A survey, actual challenges and future perspectives”. Artificial Intelligence Review, 56(6), 4929-5021. 2023. DOI: https://doi.org/10.1007/s10462-022-10286-2.
13 J. Hair & M. Sarstedt. “Data, measurement, and causal inferences in machine learning: Opportunities and challenges for marketing”. Journal of Marketing Theory and Practice, 29(1), 65-77, 2021. DOI: https://doi.org/10.1080/10696679.2020.1860683.
14 V. Maslej-Krešňáková, M., Sarnovský, P., Butka & K. Machová. “Comparison of deep learning models and various text pre-processing techniques for the toxic comments classification”. Applied Sciences, 10(23), 8631. 2020. DOI: https://doi.org/10.3390/app10238631.
15 M. Pranata & F. Fadilah. “The analysis of colloquial words on updates status of facebook”. Surakarta English and Literature Journal, 4(1), 20-31. 2021. DOI: https://doi.org/10.52429/selju.v4i1.526.
16 N. Daud, S. Hamid, M. Saadoon, F. Sahran & N. Anuar “Applications of link prediction in social networks: A review”. Journal of Network and Computer Applications, 166, 102716. 2020. DOI: https://doi.org/10.1016/j.jnca.2020.102716.
17 C. Baziotis, A. Nikolaos, A. Chronopoulou, A. Kolovou, G. Paraskevopoulos, N. Ellinas, S. Narayanan & A. Potamianos. “NTUA-SLP at SemEval-2018 Task 1: Predicting Affective Content in Tweets with Deep Attentive RNNs and Transfer Learning”. Proceedings of the 12th International Workshop on Semantic Evaluation, New Orleans, Louisiana: Association for Computational Linguistics, pp. 245–255. 2018. DOI: https://doi.org/10.18653/v1/S18-1037.
18 H. Meisheri & L. Dey. “TCS Research at SemEval-2018 Task 1: Learning Robust Representations using Multi-Attention Architecture”. Proceedings of the 12th International Workshop on Semantic Evaluation, New Orleans, Louisiana: Association for Computational Linguistics, pp. 291–299. 2018. DOI: https://doi.org/10.18653/v1/S18-1043.
19 J. Park, P. Xu, & P. Fung. “PlusEmo2Vec at SemEval-2018 Task 1: Exploiting emotion knowledge from emoji and #hashtags”. Proceedings of the 12th International Workshop on Semantic Evaluation, New Orleans, Louisiana: Association for Computational Linguistics, pp. 264–272. 2018. DOI: https://doi.org/10.18653/v1/S18-1039.
20 I. Ameer, N. Bölücü, M. Siddiqui, B. Can, G. Sidorov & A. Gelbukh. “Multi-label emotion classification in texts using transfer learning”. Expert Syst Appl, vol. 213, p. 118534, 2023. DOI: https://doi.org/10.1016/j.eswa.2022.118534.
21 S. Ankita, A. Rani, A. Bashir, A. Alhudhaif, D. Koundal & E. Gunduz. “An efficient CNN-LSTM model for sentiment detection in #BlackLivesMatter”. Expert Syst Appl, vol. 193, p. 116256, 2022. DOI: https://doi.org/10.1016/j.eswa.2021.116256.
22 S. Sepehr y M. Head, “Understanding the role of competition in video gameplay satisfaction”, Information and Management, vol. 55, no 4, pp. 407–421, 2018. DOI: https://doi.org/10.1016/j.im.2017.09.007.
23 X. Yang, H. Li, L. Ni & T. Li. “Application of artificial intelligence in precision marketing”. Journal of Organizational and End User Computing, vol. 33(4), pp. 1–27, 2021. DOI: https://doi.org/10.4018/JOEUC.20210701.oa10.
24 G. Salas & I. Botero. “La investigación de mercados y su uso en la toma de decisiones”. Revista GEON (Gestión, Organizaciones y Negocios), vol. 3(1), pp. 50–55, 2016. DOI: https://doi.org/10.22579/23463910.73.
25 J. García & M. Valencia. “Impacto que genera la investigación de mercados en la toma de decisiones por la gerencia”, ECA Sinergia, vol. 9(2), pp. 68–79, 2018. DOI: https://doi.org/10.33936/eca_sinergia.v9i2.1294.
26 M. Pelletier, A. Krallman, F. Adams & T. Hancock. “One size doesn’t fit all: A uses and gratifications analysis of social media platforms”. Journal of Research in Interactive Marketing, vol. 14(2), pp. 269–284, 2020. DOI: https://doi.org/10.1108/JRIM-10-2019-0159.
27 E. Baumer, P. Skeba, S. Guha & G. Gay. “All users are (not) created equal: Predictors vary for different forms of Facebook non/use”, Proc ACM Hum Comput Interact, vol. 3, 201. DOI: https://doi.org/10.1145/3359182.
28 P. Sheldon & K. Bryant. “Instagram: Motives for its use and relationship to narcissism and contextual age”. Comput Human Behav, vol. 58, pp. 89–97, 2016. DOI: https://doi.org/10.1016/j.chb.2015.12.059.
29 H. Ko & D. Yu. “Understanding continuance intention to view instagram stories: A perspective of uses and gratifications theory”. ACM International Conference Proceeding Series, 2019, pp. 127–132. DOI: https://doi.org/10.1145/3341016.3341039.
30 L. Kolowich. “The ideal length for Instagram, Facebook, Twitter, & LinkedIn posts”. Hubspot, 30 de diciembre de 2019. https://blog.hubspot.com/marketing/character-count-guide (accedido 27 de agosto de 2024).
31 M. Ali, M. Hassan, K. Kifayat, J. Kim, S. Hakak & M. Khan. “Social media content classification and community detection using deep learning and graph analytics”. Technol Forecast Soc Change, vol. 188, p. 122252, 2023. DOI: 10.1016/j.techfore.2022.122252.
32 A. Malhotra & R. Jindal. “Deep learning techniques for suicide and depression detection from online social media: A scoping review”. Appl Soft Comput, vol. 130, p. 109713, 2022. DOI: https://doi.org/10.1016/j.asoc.2022.109713.
33 S. Sahoo & B. Gupta. “Multiple features based approach for automatic fake news detection on social networks using deep learning”. Appl Soft Comput, vol. 100, p. 106983, 2021. DOI: https://doi.org/10.1016/j.asoc.2020.106983.
34 J. Wang & Y. Liu. “Deep learning-based social media mining for user experience analysis: A case study of smart home products”, Technol Soc, vol. 73, p. 102220, 2023. DOI: https://doi.org/10.1016/j.techsoc.2023.102220.
35 S. Hochreiter & J. Schmidhuber. “Long short-term memory”. Neural Comput, vol. 9(8), pp. 1735–1780, 1997. DOI: https://doi.org/10.1162/neco.1997.9.8.1735.
36 G. Liu & J. Guo. “Bidirectional LSTM with attention mechanism and convolutional layer for text classification”. Neurocomputing, vol. 337, pp. 325–338, 2019. DOI: https://doi.org/10.1016/j.neucom.2019.01.078.
37 Keras. (2025, junio 07). Embedding Layer. https://keras.io/api/layers/core_layers/embedding/Keras.
38 Keras. (2025, junio 07). Dense Layer. https://keras.io/api/layers/core_layers/dense/.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Investigación e Innovación en Ingenierías
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
