Skip to content
Voltar aos resultados

Análise de Sentimento — Mineração de Opinião

Tipo
NLP text-classification task

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A análise de sentimento, também chamada de mineração de opinião, é uma tarefa de processamento de linguagem natural que detecta o tom emocional de um texto — tipicamente classificando-o como positivo, negativo ou neutro.

Ela transforma texto de opinião não estruturado em sinais de polaridade estruturados e quantificáveis, usando uma de três famílias de abordagens: léxicos de sentimento, classificadores de aprendizado de máquina treinados ou modelos transformadores pré-treinados.

A intuição por trás do método

As pessoas expressam opiniões em linguagem de forma livre, mas uma máquina não consegue ler esse texto da mesma forma que um humano. O objetivo da análise de sentimento é detectar a opinião ou polaridade subjacente em um texto e atribuir-lhe um rótulo. Em vez de julgar cada frase por intuição, o método pontua a linguagem — por meio de dicionários de palavras carregadas, padrões estatísticos aprendidos de exemplos rotulados ou contexto capturado por um modelo de linguagem — e atribui a cada documento um rótulo de sentimento.

História

A análise de sentimento surgiu do campo mais amplo da mineração de opinião, pesquisado por Pang e Lee (2008), que consolidaram a tarefa de extrair opinião e polaridade do texto. O campo tem se movido desde métodos baseados em dicionário e características para classificadores de aprendizado de máquina e, mais recentemente, modelos transformadores pré-treinados que capturam o contexto.

Quando usar

A análise de sentimento é adequada quando se tem dados de texto para trabalhar e um modelo de linguagem ou léxico que corresponda à linguagem desse texto. Um corpus pequeno pode ser tratado com um léxico simples, enquanto corpora rotulados maiores suportam classificadores supervisionados ou transformadores. Modelos supervisionados, em particular, precisam de um conjunto rotulado razoavelmente grande e equilibrado; com muito poucos documentos, um método baseado em léxico é a escolha mais segura. Se não houver dados de texto, a análise de sentimento não pode ser executada.

Limitações e considerações

  • Modelos supervisionados precisam de um corpus rotulado suficientemente grande e equilibrado para aprender padrões confiáveis.
  • O desempenho depende do modelo de linguagem ou léxico corresponder à linguagem do corpus.
  • Sarcasmo, negação e mudança de domínio continuam sendo difíceis para todas as abordagens.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Flexível em abordagens: um léxico simples funciona em corpora pequenos, enquanto transformadores capturam contexto em corpora grandes.
  • Transforma texto de opinião não estruturado em sinais de polaridade estruturados e quantificáveis.
  • Escala desde a pontuação rápida por dicionário até modelos de linguagem sensíveis ao contexto sem alterar o pipeline geral.

Aplicações

  • Analisar avaliações de produtos e serviços para resumir a opinião do cliente.
  • Monitorar postagens em mídias sociais para reações públicas e tendências de sentimento.
  • Monitoramento de marca — acompanhar como uma organização ou produto é percebido ao longo do tempo.
  • Explorar e classificar grandes corpora de opinião em pesquisa operacional e de marketing.

Como funciona

Como funciona

1

O corpus bruto é limpo e padronizado: o texto é convertido para minúsculas, o ruído é removido, o conteúdo é normalizado e os documentos são segmentados (tokenizados) em unidades analisáveis. O pré-processamento consistente é o que mantém as características subsequentes comparáveis entre os documentos.

2

O texto limpo é convertido em características que um modelo pode consumir. Dependendo da abordagem, isso significa consultas a léxicos de sentimento, vetores TF-IDF ou embeddings contextuais — cada um transformando palavras em números que carregam o sinal que o modelo irá ler.

3

Um rótulo de polaridade é atribuído a cada documento. Uma abordagem baseada em léxico aplica regras de dicionário, uma abordagem de aprendizado de máquina usa um classificador treinado em dados rotulados, e uma abordagem baseada em transformador aplica um modelo de linguagem pré-treinado que captura o contexto. A saída é um rótulo de sentimento por documento.

4

As previsões são pontuadas em relação a dados rotulados usando acurácia, F1, precisão e recall, e as classificações incorretas são inspecionadas antes que o modelo seja colocado em uso. Esta etapa protege contra a confiança excessiva em um modelo que tem um desempenho ruim em certas classes.

Erros comuns

  • Sarcasmo e linguagem figurada podem inverter a polaridade aparente, de modo que uma leitura literal rotula o texto incorretamente.
  • A mudança de domínio — aplicar um modelo ou léxico construído para um domínio ou idioma a outro — degrada a acurácia; não aplique um léxico em inglês a textos em outro idioma.
  • Rótulos desequilibrados tornam a acurácia enganosa; relate F1, precisão e recall em vez de apenas a acurácia.
  • Executar um classificador supervisionado em poucos documentos (menos de ~100) — retorne a um método baseado em léxico, e nunca pule o pré-processamento ou tokens ruidosos degradarão as características.

Perguntas frequentes

Léxico, aprendizado de máquina ou transformador — qual abordagem devo usar?

Uma abordagem baseada em léxico aplica um dicionário de palavras com sentimento e funciona bem em corpora pequenos sem dados rotulados. Um classificador de aprendizado de máquina aprende padrões de um conjunto de treinamento rotulado e se adapta ao seu domínio. Um modelo baseado em transformador usa um modelo de linguagem pré-treinado para capturar o contexto e geralmente tem o melhor desempenho em corpora grandes, com um custo computacional mais alto.

Qual a acurácia da análise de sentimento?

A acurácia varia com a abordagem, o corpus e o quão bem o modelo corresponde ao texto. Avalie com acurácia, F1, precisão e recall em dados rotulados de validação; em classes desequilibradas, a acurácia sozinha pode ser enganosa, então confie em F1, precisão e recall.

Pode funcionar em outros idiomas além do inglês?

Sim, mas o modelo de linguagem ou léxico escolhido deve corresponder ao idioma alvo do corpus. Aplicar um léxico ou modelo em inglês a textos em outro idioma é uma causa comum de resultados ruins.

Como a negação e o sarcasmo são tratados?

Estes permanecem entre os casos mais difíceis. A negação pode inverter a polaridade e o sarcasmo pode inverter completamente o significado literal. Modelos transformadores sensíveis ao contexto lidam melhor do que léxicos simples, mas nenhuma abordagem lida com sarcasmo de forma confiável, então a inspeção de erros durante a avaliação é importante.

Métodos relacionados

Fontes

  1. Pang, B. & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.

    Abrir referência DOI
    Copiado.