Ontologia aplicada à redução de ruído em base de dados de tweets sobre mercado financeiro

Abstract

Big data é um conceito que trata sobre a manipulação e a análise de grandes volumes de dados de variedade diversa. A rede social Twitter é uma fonte de dados com tais características, responsável por gerar milhões de tweets por dia. Os mecanismos que permitem a extração dessas postagens resultam em bases de dados heterogêneas, isto é, compostas não apenas por textos sobre o tema de interesse, mas também sobre tópicos indesejados, o que prejudica o uso dessas bases de dados à tomada de decisão. Nesse contexto, o artigo propõe o desenvolvimento de uma ontologia de domínio para a redução de ruídos em base de dados de tweets para o mercado financeiro brasileiro. A ontologia desenvolvida deve ser capaz de identificar tweets, escritos em língua portuguesa, relacionados à Bolsa de Valores do Brasil e descartar publicações da rede social que não pertencem a esse domínio (ruídos). Devido à natureza informal dos textos da rede social, foram utilizadas técnicas tradicionais de pré-processamento textual. A ontologia foi criada com o auxílio de um roteiro que une as metodologias On-to-Knowledge, Methontology e o guia Ontology Development 101. Além disso, para avaliar a performance da filtragem, foi utilizado um algoritmo de classificação simples, a Regressão Logística. A base de dados utilizada neste trabalho é composta por 1.031.419 tweets, que foram publicados entre 01 de janeiro de 2019 e 12 de junho de 2019. Os resultados demonstram que o uso de ontologia para filtragem desses ruídos é promissor, tendo em vista que obteve acurácia de 81,58%.