Se utiliza regresión logistica con penalización Ridge y Lasso para realizar una clasificación binaria según la autenticidad de comentarios a hoteles, utilizando un corpus de 1600 opiniones a hoteles de Chicago. Este corpus consiste en críticas falsas y autenticas de 20 hoteles de Chicago. Los datos fueron originalmente descritos en dos documentos de acuerdo con el sentimiento positivo o negativo de los mismos:
Este corpus contiene:
- 800 comentarios auténticos, de los cuáles 400 están clasificados como positivos y 400 como negativos
- 800 comentarios falsos, igualmente dividio en 400 comentarios positvas y 400 negativos.
La vectorización de los textos se realiza utilizando la técnica Bag of Words (BoW) o Bolsa de Palabras, de manera que se obtiene una matriz de 1600 documentos por 3,528 palabras.
El conjunto de datos original puede ser descargado aquí. Este mismo ha sido también publicado por Kaggle en un archivo csv, el cual ha sido copiado en el presente repositorio.
[1] M. Ott, Y. Choi, C. Cardie, and J.T. Hancock. 2011. Finding Deceptive Opinion Spam by Any Stretch of the Imagination. In Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies.
[2] M. Ott, C. Cardie, and J.T. Hancock. 2013. Negative Deceptive Opinion Spam. In Proceedings of the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies.