Extracción automática de categorias en tuits

Abstract

[ES] El presente proyecto aborda la creación de un clasificador para discernir de manera automática de qué temas se están hablando en Twitter. A partir de el algoritmo Latent Dirichlet Allocation se obtienen una serie de agrupaciones de palabras. Sin embargo, no se proporciona el tema asociado a cada grupo de palabras. En este proyecto se propone un clasificador entrenado con Wikipedia para discernir de qué tratan los temas de la salida de LDA. El clasificador se ha aplicado a un dataset de Tuits de ciudaddes de EE.UU. para la extracción de las categor¿¿as de las que más hablan los usuarios.

[EN] The present project addresses the creation of a classifier to automatically discern which topics are being discussed on Twitter. A series of groupings of words are obtained from the Latent Dirichlet Allocation algorithm. However, the theme associated with each group of words is not provided. In this project a classifier trained with Wikipedia is proposed to discern what the topics of the LDA exit are about. The classifier has been applied to a tweet dataset of US cities. for the extraction of the categories that most users talk about.