Clasificador de Urgencia de Correos Electrónicos en Empresas de Servicios mediante Análisis de Emociones y Sentimientos

Juan Carlos Mancera-Barrera; Alberto Lamadrid-Álvarez; Alberto Lara-Guevara

Juan Carlos Mancera-Barrera ,
Alberto Lamadrid-Álvarez ,
Alberto Lara-Guevara

Resumen

En este trabajo se presenta un clasificador de urgencias de correos electrónicos en empresas de servicios, que mediante un algoritmo de procesamiento de lenguaje natural etiqueta gramaticalmente el texto no estructurado de los mensajes para darle sentido y estructura antes de analizarlo. El clasificador propuesto utiliza una base de datos léxica que está compuesta por unigramas clasificados en ocho emociones básicas (ira, miedo, anticipación, confianza, sorpresa, tristeza, alegría y disgusto) y dos sentimientos (positivo y negativo), la cual permite comparar el texto del mensaje etiquetado gramaticalmente con los unigramas de la base de datos para llevar a cabo el análisis de emociones y sentimientos y determinar el porcentaje de cada emoción y la polaridad del sentimiento para clasificar los correos electrónicos más negativos como urgentes y canalizarlos a los departamentos correspondientes para ser atendidos. El trabajo experimental se ha realizado utilizando un conjunto de datos tomados de una empresa dedicada al servicio web de facturación electrónica en México.

Palabras clave: Análisis de emociones y sentimientos, procesamiento de lenguaje natural, base de datos léxica, empresas de servicios

Texto completo:

PDF

Referencias

Arco, F.M., Martínez-Cámara, E., Valdivia, M.T., & López, L.A. (2018). SINAI en TASS 2018: Inserción de Conocimiento Emocional Externo a un Clasificador Lineal de Emociones (SINAI at TASS 2018: Lineal Classification System with Emotional External Knowledge). TASS@SEPLN. 125-130.

Crossley, S. A., Kyle, K., & McNamara, D.S. (2017). Sentiment Analysis and Social Cognition
Engine (SEANCE): An automatic tool for sentiment, social cognition, and social-order analysis. Behav Res, 49: 803. doi: 10.3758/s13428-016-0743-z

FrozenFrog Software. (2019). Emailparser. Consultado el 9 de febrero del 2019. FrozenFrog Software. Recuperado de https://www.emailparser.com/

Google. (2019a). Gmail. Consultado el 9 de febrero del 2019. Google. Recuperado de https:// www.gmail.com/mail/help/intl/es/about.html?iframe

Google. (2019b). Natural Language Cloud. Consultado el 14 de febrero del 2019. Google. Recuperado de https://cloud.google.com/natural-language/?hl=es

Hoogendoorn, M., Berger, T., Schulz, A., Stolz, T., & Szolovits P. (2016). Predicting Social Anxiety
Treatment Outcome Based on Therapeutic Email Conversations. IEEE, 21(5), 1449-1459. doi: 10.1109 / JBHI.2016.2601123

Inbenta. (2019). Descubre si las opiniones de tu cliente son positivas o negativas. Consultado el 9 de febrero del 2019. Inbenta Technologies Inc. Recuperado de https://www.inbenta.com/mx/caracteristicas/autoservicio/analisis-de-sentimientos/

Jayathilaka, K.M.P.N., Weerasinghe A.R., & Wijesekara W.M.L.K.N. (2016). Making sense of large volumes of unstructured email responses. IEEE, 35-40. doi: 10.1109 /ICTER.2016.7829896

Jiang, J., Chen, J., Choo, K.K.R., Liu, K., Liu C., Yu, M., & Mohapatra P. (2018). Prediction and
Detection of Malicious Insiders’ Motivation based on Sentiment Profile on Webpages and Emails. IEEE, 225-229. doi: 10.1109 /MILCOM.2018.8599790

Lee J., Thabsuwan C., Pongpaichet S., & Kim K. (2018). Towards Building a Human Perception Knowledge for Social Sensation Analysis. IEEE, 668-671. doi: 10.1109/WI.2018.00-15

Mahlawi, A., Q. & Sasi, S. (2017). Structured Data Extraction from Emails. IEEE, 20-22. doi: 10.1109 / NETACT.2017.8076789

Microsoft. (2019). Microsoft Outlook. Consultado el 9 de febrero del 2019. Microsoft. Recuperado de https://products.office.com/es-mx/outlook/email-and-calendar-softwaremicrosoft-outlook

Miller, R. & Charles, E. (2016). A psychological based analysis of marketing email subject lines. IEEE, 58-65. doi: 10.1109/ICTER.2016.7829899

Mohammad, S. & Turney, P. (2013). Computational Intelligence, 29 (3), 436-465.

Mohammad, S. M., Sobhani, P., & Kiritchenko, S. (2017). Stance and sentiment in tweets.
Special Section of the ACM Transactions on Internet Technology on Argumentation in Social Media, 17(3), 1-19. doi: 10.1145/3003433

Mohammad, S. M., Marquez, F., Mohammad, S., & Kiritchenko S. (2018). Semeval 2018 Task 1: Affect in tweets. In Proceedings of International Workshop on Semantic Evaluation (SemEval-2018), New Orleans, LA, USA. 1-17. doi: 10.18653/v1/S18-1001

Singh, J., Singh, G.S., & Singh, R. (2017). Optimization of sentiment analysis using machine learning classifers. Human Centric Computing and Information Sciences, 7: 32. doi: 10.1186/s13673-017-0116-3

Zhang, H., Gan, W., & Jiang, B. (2014). Machine learning and lexicon based methods for sentiment classification: A survey. In X. Yuan & X. Meng (Eds.), Proceedings of the 11th Web information system and application conference. 262-265. Piscataway: IEEE Press.