Abstrait

Prédiction des élections grâce à l'analyse des sentiments sur Twitter

Rashiduzzaman Prodhani, Atowar Ul Islam et Luit Das

L'analyse des sentiments est l'étude informatique des opinions, des sentiments, des évaluations, des attitudes, des points de vue et des émotions exprimés dans un texte. Elle fait référence à un problème de classification dont l'objectif principal est de prédire la polarité des mots, puis de les classer en sentiment positif ou négatif. L'analyse des sentiments sur Twitter offre aux gens un moyen rapide et efficace de mesurer les sentiments du public envers leur parti et leurs politiciens. Les principaux problèmes des techniques d'analyse des sentiments précédentes sont la précision de la classification, car elles classent de manière incorrecte la plupart des tweets avec un biais en faveur des données de formation. J'ai donc collecté des données en direct pour prédire le résultat précis des élections. Twitter est un endroit où les utilisateurs publient des mises à jour rapides et en temps réel sur différentes activités ou événements, car la diffusion des informations et des nouvelles est suffisamment rapide. Nous avons utilisé la bibliothèque Python « Tweety » pour accéder à l'API Twitter et avons récupéré des données en direct sur Twitter. Plus de 2000 tweets pour chaque candidat de parti politique sont récupérés à l'aide de mots-clés. En utilisant la bibliothèque Python « TextBlob », les sentiments sont appliqués à chaque tweet et en fonction des tweets plus positifs pour un candidat particulier, nous pouvons visualiser une prédiction. Des algorithmes de classification de texte tels que Naive Bayes, Support Vector Machine (SVM) et Random Forest sont utilisés pour former le modèle à l'aide de données étiquetées. La précision du résultat prédit est calculée et le résultat est finalement déclaré. Le résultat est représenté sous forme de graphique à secteurs, de graphique à barres pour chaque candidat politique représentant les sentiments positifs, négatifs et neutres.

Médias sociaux ; Twitter ; Politique ; Analyse des sentiments ; Bayes naïf ; Machine à vecteurs de support ; Positif ; Négatif ; Neutre