El análisis de los sentimientos está revolucionando el estudio de la comunicación y muchas empresas lo ofrecen como servicio. La idea es estudiar los patrones de las palabras en mensajes como tuits y blogs para determinar en qué medida son positivos o negativos. Esto permite a las empresas, organizaciones y partidos políticos realizar un seguimiento automático de las opiniones sobre sus marcas.

Pero aunque la tecnología ha ido evolucionando, se ha dedicado poca investigación a los sentimientos en las fotografías. Esto acaba de cambiar gracias a la labor de Can Xu en la Universidad de California en San Diego y un grupo de investigadores de Yahoo Labs en Sunnyvale (ambos en EEUU). El grupo ha desarrollado una forma de evaluar automáticamente el sentimiento asociado a una imagen y afirma que supera a otras técnicas avanzadas.

Los investigadores no parten de cero. Aunque el sentimiento en las imágenes ha sido ampliamente ignorado, el problema del reconocimiento de objetos en imágenes es un campo bien desarrollado que ha mejorado a pasos enormes en los últimos años.

El equipo parte de una red neuronal ya entrenada en un conjunto de datos de imágenes que muestran objetos divididos en 1.000 clasificaciones. Cuando se le muestra una imagen, la red genera una distribución y muestra qué grado de probabilidad hay de que pertenezca a cada una de estas 1.000 clasificaciones.

Este es el resultado de 1.000-dimensiones que Xu y su equipo usan en su investigación. Primero toman dos conjuntos de datos de imágenes de Tumblr y Twitter cuyos sentimientos ya han sido evaluados en una escala de cinco puntos, pasando por muy negativo, negativo, neutral, positivo y muy positivo.

A continuación entrenan a un algoritmo de aprendizaje de máquinas para encontrar una correlación entre los resultados de 1.000-dimensiones y el sentimiento. Después de haber entrenado a la máquina, lo comparan con otras dos técnicas avanzadas de análisis de sentimientos, como por ejemplo una basada en características visuales de bajo nivel como el color de la imagen y otra llamada SentiBank, que genera una descripción tipo adjetivo-sustantivo de una imagen y por lo tanto da una sensación de sentimiento.

Los investigadores señalan que su técnica supera con creces a los enfoques existentes. "Los experimentos demuestran que nuestros modelos propuestos superan a los métodos más avanzados de la técnica en los conjuntos de datos de Twitter y de Tumblr", aseguran.

Esto supone un comienzo útil en el incipiente campo del análisis de sentimientos en imágenes. "Los resultados ... por primera vez sugieren que las Redes Neuronales Convolucionales son muy prometedoras para el análisis visual de sentimientos", señalan.

Sin embargo, hay mucho trabajo por delante. Uno de los mayores problemas del análisis de sentimientos basado en palabras es que no capta sutiles influencias culturales como el sarcasmo y la ironía. Y este tipo de comportamiento exclusivamente humano puede reducir seriamente la fiabilidad del análisis de los sentimientos.

Aún está por determinar la importancia de este tipo de idiosincrasia en las imágenes, pero el sentimiento visual podría ser otra área en la que los humanos muy pronto sean supervisados y tal vez incluso igualados por máquinas.

Ref: arxiv.org/abs/1411.5731 : Visual Sentiment Prediction with Deep Convolutional Neural Networks