16 de noviembre de 2026
Classificação de Sentimentos na Jornada de Compra do E-commerce Brasileiro com BERTimbau e Modelos Clássicos
Isaías de Carvalho Novais; Gustavo Dantas Lobo
DOI: 10.22167/2675-6528-202604218
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
O crescimento do comércio eletrônico no Brasil gerou um volume massivo de dados não estruturados, como avaliações de consumidores, inviabilizando a análise manual para gestão estratégica. Para abordar essa questão, implementou-se e comparou-se algoritmos de Machine Learning e Deep Learning para classificar sentimentos em avaliações de consumidores do e-commerce brasileiro, com foco na experiência integral de compra. O objetivo foi identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores. Utilizou-se o Brazilian E-Commerce Public Dataset by Olist, contendo aproximadamente 100 mil registros, dos quais 40.977 possuíam comentários textuais. A tarefa de classificação foi definida como ternária (Positivo, Negativo e Neutro). Aplicaram-se modelos clássicos, como Regressão Logística, Naive Bayes e SVM, e técnicas de Deep Learning com o modelo BERTimbau. O pré-processamento dos dados textuais incluiu limpeza de caracteres, remoção de stopwords e tokenização. Os resultados demonstraram que o modelo BERTimbau obteve o melhor desempenho, com acurácia de 84,54% e F1-Score de 0,8335. Concluiu-se que a automação da mineração de texto permite identificar gargalos logísticos e de atendimento com alta precisão, configurando-se como ferramenta essencial para o suporte à tomada de decisão no varejo online.
Palavras-chave: Análise de Sentimentos; BERTimbau; E-commerce; Machine Learning; Processamento de Linguagem Natural.
1. Introdução
O comércio eletrônico no Brasil experimentou um crescimento significativo nas últimas décadas, alterando profundamente a dinâmica entre consumidores, produtos e plataformas de marketplace. Com a expansão dos grandes marketplaces nacionais, os consumidores passaram a registrar suas percepções sobre os produtos adquiridos por meio de avaliações numéricas e comentários textuais após o recebimento dos pedidos. Este volume crescente de dados não estruturados representa uma fonte valiosa de inteligência de mercado, ainda subutilizada, capaz de revelar padrões de satisfação e insatisfação diretamente relacionados à qualidade dos produtos comercializados no ambiente digital (Adnan e Akbar, 2021; Baviskar et al., 2021).
A análise manual dessas avaliações, contudo, é inviável em escala operacional, dada a massividade dos dados gerados. Nesse contexto, a análise de sentimentos emerge como uma ferramenta crucial dentro do Processamento de Linguagem Natural (NLP). Ela permite categorizar textos em sentimentos positivos, negativos ou neutros, possibilitando que as empresas interpretem automaticamente as emoções dos clientes e tomem decisões informadas em áreas como marketing, desenvolvimento de produtos e atendimento ao cliente.
Em ambientes de e-commerce, a capacidade de analisar sentimentos é especialmente relevante, pois as avaliações textuais encapsulam a experiência concreta do consumidor com o produto recebido. Isso inclui a qualidade percebida, a conformidade com a descrição e a adequação às expectativas geradas pela oferta. As avaliações são coletadas por meio de uma pesquisa de satisfação enviada automaticamente pela plataforma Olist após a confirmação do recebimento do pedido, onde o comprador avalia a experiência em uma escala de um a cinco estrelas e, opcionalmente, registra um comentário textual.
O sentimento expresso nessas avaliações incide diretamente sobre a experiência de compra do consumidor em relação ao produto, englobando aspectos como qualidade, descrição e atendimento. Para a definição dos rótulos de sentimento, adota-se o critério consolidado na literatura de análise de sentimentos em e-commerce (Liu et al., 2015; Zhang et al., 2011), onde avaliações com quatro ou cinco estrelas são consideradas positivas, e avaliações com uma ou duas estrelas são classificadas como negativas. Avaliações com três estrelas são tratadas como neutras neste estudo, configurando um problema de classificação ternária.
Do ponto de vista técnico, a literatura recente (Devlin et al., 2019; Souza et al., 2020) demonstra que modelos baseados na arquitetura BERT têm alcançado resultados superiores em tarefas de classificação de sentimentos em comparação com abordagens clássicas de Machine Learning. Estudos que compararam diferentes variantes do BERT para classificação de sentimentos em avaliações de usuários em português brasileiro concluíram que o BERTimbau representa a melhor variante para tarefas de classificação de texto nesse idioma (Souza et al., 2022). Este modelo, pré-treinado exclusivamente em português brasileiro, é capaz de capturar as nuances linguísticas e a complexidade contextual presentes nas avaliações de consumidores, incluindo expressões coloquiais, abreviações e construções típicas da linguagem escrita informal.
Revisões sistemáticas da literatura (Raza et al., 2024) identificaram que algoritmos como LSTM apresentam ampla variação de acurácia em tarefas de classificação de sentimentos em avaliações de e-commerce, com resultados que variam substancialmente conforme o dataset, o idioma e a arquitetura utilizada. Essa constatação reforça a necessidade de comparação controlada entre múltiplos modelos para identificar a abordagem mais eficaz em um contexto específico.
Diante desse cenário, o presente trabalho tem como objetivo implementar e comparar algoritmos de Machine Learning e Deep Learning — Regressão Logística, Naive Bayes, Support Vector Machine e o modelo BERTimbau — para a classificação de sentimentos expressos em avaliações textuais de produtos do varejo online brasileiro, utilizando o Brazilian E-Commerce Public Dataset by Olist, com foco na percepção do consumidor sobre o produto recebido, buscando identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores de e-commerce na tomada de decisão orientada por dados.
2. Material e Métodos
A pesquisa adotou abordagem quantitativa e aplicada, visando implementar e comparar algoritmos de Machine Learning e Deep Learning para classificação de sentimentos em avaliações de produtos do varejo online. A metodologia envolveu a utilização de um dataset público, pré-processamento, aplicação de modelos e avaliação de desempenho por métricas específicas.
O objeto empírico consistiu em avaliações textuais de produtos do e-commerce brasileiro, obtidas do Brazilian E-Commerce Public Dataset by Olist, disponível no Kaggle. O arquivo `olist_order_reviews_dataset.csv` continha 99.224 registros de pedidos realizados entre 2016 e 2018. Para a modelagem, 40.977 registros com comentários textuais foram selecionados, representando 41,3% do total.
A classificação dos sentimentos foi definida como problema ternário (Positivo, Negativo e Neutro). Para a rotulagem, seguiu-se o critério da literatura (Liu et al., 2015): notas 1 e 2 estrelas foram Negativas, 3 estrelas Neutras e 4 e 5 estrelas Positivas. A amostra rotulada para modelagem apresentou 64,7% Positivo, 26,6% Negativo e 8,7% Neutro.
O pré-processamento textual foi realizado em Python, seguindo um pipeline de limpeza. As etapas incluíram a conversão para minúsculas (Tan et al., 2006; Steinbach et al., 2006; Kumar et al., 2006) e a remoção de caracteres especiais e números por expressão regular. Stopwords foram removidas (NLTK), e tokens com comprimento igual ou inferior a dois caracteres foram descartados (Silva et al., 2024). Por fim, normalizaram-se os espaços. Após o pré-processamento, 40.577 avaliações textuais foram utilizadas.
Antes da divisão dos dados, uma análise exploratória de mineração de texto foi conduzida sobre os comentários brutos rotulados (Tan et al., 2006). Esta análise envolveu a geração de nuvens de palavras por polaridade e a análise de frequência temática, com temas como Produto/Qualidade, Logística/Entrega e Atendimento/Vendedor, definidos por palavras-chave relevantes ao e-commerce.
Os dados foram divididos em conjuntos de treino (80%) e teste (20%) utilizando `stratify`, para preservar a proporção das classes e mitigar o desbalanceamento. Para os modelos clássicos, o texto pré-processado foi transformado em representações numéricas por Bag-of-Words (BoW) e Term Frequency-Inverse Document Frequency (TF-IDF). Ambas configuradas para unigramas e bigramas (`ngram_range=(1,2)`) e limitadas a 5.000 features. O ajuste foi realizado exclusivamente sobre o conjunto de treino para evitar vazamento de dados.
Foram implementados os modelos clássicos: Regressão Logística, Naive Bayes Multinomial e Support Vector Machine (SVM). A Regressão Logística foi treinada com BoW e TF-IDF, utilizando softmax para classificação multiclasse (Devlin et al., 2019) e `class_weight=’balanced’` com `max_iter` de 1.000. O Naive Bayes Multinomial foi treinado com as mesmas representações (Tan et al., 2006). O SVM, com kernel linear, empregou a estratégia one-vs-rest (OvR) para classificação ternária, utilizando `LinearSVC` da `scikit-learn` com `class_weight=’balanced’` e `max_iter` de 2.000 (Joachims et al., 1998).
Para Deep Learning, utilizou-se o modelo BERTimbau Base (neuralmind/bert-base-portuguese-cased), versão do BERT pré-treinada em português brasileiro (Souza, Nogueira e Lotufo, 2020). Este modelo processa o texto bidirecionalmente, capturando nuances semânticas e morfológicas (Devlin et al., 2019). Uma camada linear de três saídas foi adicionada sobre o token `[CLS]` para classificação ternária. Para o BERTimbau, utilizou-se o texto bruto original, sem remoção de stopwords, encapsulado em classe PyTorch personalizada (`OlistDataset`) e tokenizado pelo `BertTokenizer`.
O fine-tuning do BERTimbau foi realizado com hiperparâmetros: comprimento máximo de sequência de 128 tokens, tamanho de lote de 16 amostras, taxa de aprendizado de 2×10⁻⁵ e 3 épocas de treinamento. O otimizador AdamW foi empregado com decaimento de peso de 0,01, combinado com um scheduler de aquecimento linear (Devlin et al., 2019). Durante o treinamento, aplicou-se recorte de gradiente com norma máxima de 1,0 para estabilizar a otimização.
A avaliação do desempenho dos modelos foi realizada sobre o conjunto de teste por meio de quatro métricas: acurácia, precisão, revocação (recall) e F1-Score ponderado (weighted). A acurácia mensurou a proporção de previsões corretas. A precisão avaliou a exatidão das previsões positivas. A revocação quantificou a capacidade de identificar corretamente os casos relevantes. O F1-Score, média harmônica entre precisão e revocação, foi empregado para cenários de desbalanceamento de classes (Sokolova e Lapalme, 2009). As métricas foram calculadas na modalidade weighted, ponderando a contribuição de cada classe pelo seu suporte no conjunto de teste.
3. Resultados e Discussão
Os resultados obtidos neste estudo fornecem uma compreensão aprofundada sobre a aplicabilidade de algoritmos de Machine Learning e Deep Learning na classificação de sentimentos em avaliações de e-commerce brasileiro. A análise exploratória inicial revelou padrões linguísticos distintos para cada polaridade de sentimento, enquanto a avaliação de desempenho dos modelos demonstrou a superioridade das arquiteturas baseadas em Transformers para esta tarefa. Esses achados são cruciais para a tomada de decisão estratégica no varejo online, permitindo que gestores identifiquem proativamente pontos de melhoria na experiência do consumidor.
A base de dados utilizada para a modelagem, após o pré-processamento e filtragem de registros sem comentários, totalizou 40.577 avaliações. A distribuição das classes de sentimento apresentou um desbalanceamento significativo, com 64,7% das avaliações classificadas como positivas, 26,6% como negativas e apenas 8,7% como neutras. Essa assimetria é um fator importante a ser considerado na interpretação do desempenho dos modelos, especialmente para as classes minoritárias, e reflete a tendência dos consumidores de expressar opiniões mais polarizadas em ambientes de avaliação online.
Análise Exploratória – Mineração de Texto
A mineração de texto nos comentários brutos rotulados por polaridade revelou termos-chave que caracterizam a percepção do consumidor. Nas avaliações positivas, destacaram-se termos como “prazo”, “entrega”, “ante” (antecipado), “rápida”, “excelente”, “qualidade”, “ótimo” e “perfeito”. Essas expressões indicam a satisfação tanto com a agilidade logística quanto com a qualidade dos produtos recebidos. A recorrência de frases como “dentro do prazo” e “antes do prazo estipulado” sublinha a importância do cumprimento das expectativas de entrega como um pilar central para a formação de experiências positivas no e-commerce brasileiro.
Em contraste, os comentários negativos foram marcados pela predominância de termos como “prazo”, “entrega”, “contato”, “aguardando”, “produtos”, “loja” e “correio”. Esses vocábulos evidenciam que as principais fontes de insatisfação estão ligadas a atrasos e falhas logísticas, dificuldades de comunicação com os vendedores e problemas relacionados ao produto recebido. A presença expressiva de termos como “aguardando” e “nunca” nos comentários negativos sugere que a falta de resolução e a demora nas comunicações amplificam consideravelmente a experiência negativa do consumidor, impactando diretamente a percepção geral da compra.
A nuvem de palavras dos comentários neutros apresentou um padrão híbrido, caracterizado pela coexistência de termos positivos, como “bom”, “boa” e “gostei”, e negativos, como “demorou”, “aguardo” e “faltando”. Além disso, foram observados vocábulos relacionados à logística, como “prazo”, “entrega” e “correio”, e à qualidade, como “qualidade”, “embalagem” e “peça”. Esse padrão misto é consistente com a natureza intermediária das avaliações de 3 estrelas, que frequentemente expressam uma experiência parcialmente satisfatória, onde aspectos positivos e negativos se equilibram na percepção do cliente.
A análise de frequência temática agrupou os termos dos comentários em três categorias principais: Produto/Qualidade, Logística/Entrega e Atendimento/Vendedor, segmentadas por polaridade de sentimento. O tema Logística/Entrega foi o mais frequente em todas as polaridades, com 20.326 ocorrências em comentários positivos, 4.413 em negativos e 1.935 em neutros. Esse dado reforça que a logística é um eixo central da experiência de compra no e-commerce brasileiro, sendo um fator determinante tanto para a satisfação, quando a entrega é rápida e pontual, quanto para a insatisfação, em casos de atrasos, extravios ou falhas de rastreio.
O tema Produto/Qualidade foi o segundo mais frequente nos comentários positivos, com 11.486 ocorrências, indicando a importância da qualidade e conformidade do produto para a satisfação do cliente. Por outro lado, o tema Atendimento/Vendedor apresentou um peso relativo maior nos comentários negativos, com 2.769 ocorrências negativas contra 2.848 positivas. Isso sugere que problemas de atendimento tendem a gerar avaliações desfavoráveis com maior intensidade do que a satisfação com o vendedor gera avaliações positivas, destacando a sensibilidade do consumidor a falhas no suporte e comunicação.
Desempenho Global dos Modelos
A avaliação do desempenho dos sete modelos implementados no conjunto de teste, composto por 8.116 amostras estratificadas, revelou diferenças significativas. O modelo BERTimbau obteve o melhor desempenho global, alcançando uma acurácia de 84,54% e um F1-Score ponderado de 83,74%. Esse resultado confirma a superioridade das arquiteturas baseadas em Transformers para tarefas de classificação de texto em português, alinhando-se com a literatura recente da área que aponta para a eficácia desses modelos em capturar nuances linguísticas complexas (Souza et al., 2020).
Entre os modelos clássicos, o Naive Bayes com representação Bag-of-Words (BoW) destacou-se como a alternativa mais competitiva, atingindo uma acurácia de 81,36% e um F1-Score de 81,40%. Em seguida, o Naive Bayes com representação TF-IDF obteve uma acurácia de 83,06% e um F1-Score de 80,26%. Embora a acurácia do Naive Bayes + TF-IDF tenha sido próxima à do BERTimbau, seu F1-Score ponderado foi 3,48 pontos percentuais inferior, o que indica um menor equilíbrio entre precisão e revocação nas classes minoritárias, um aspecto crítico em cenários de desbalanceamento.
Os modelos de Regressão Logística, tanto com BoW quanto com TF-IDF, apresentaram os menores valores de acurácia global, com 77,18% e 77,43%, respectivamente. Apesar de exibirem uma precisão ponderada comparativamente elevada (82,10% e 83,12%), esses resultados sugerem uma maior taxa de falsos negativos nas classes Negativo e Neutro. Essa característica é típica de modelos que tendem a prever majoritariamente a classe dominante (Positivo), comprometendo a identificação das classes menos representadas, o que pode ser problemático para a detecção de problemas específicos.
A análise visual do desempenho dos modelos reforça a superioridade do BERTimbau em termos de acurácia e recall ponderado. O Support Vector Machine (SVM) com representação TF-IDF apresentou um desempenho equilibrado entre as quatro métricas avaliadas, posicionando-se como o melhor modelo clássico em termos de consistência global. Esse equilíbrio é importante para aplicações onde a identificação de todas as classes é igualmente relevante, mesmo que não atinja os picos de desempenho do BERTimbau em classes majoritárias.
Análise por Classe de Sentimento – BERTimbau
O desempenho do modelo BERTimbau por classe de sentimento revelou resultados robustos para as classes Positivo e Negativo, mas uma limitação notável para a classe Neutro. Para as avaliações positivas, o BERTimbau alcançou um F1-Score de 92%, e para as negativas, um F1-Score de 81%. Esses valores demonstram a alta capacidade do modelo em identificar corretamente as polaridades mais claras, o que é fundamental para a gestão de reputação e a identificação de problemas críticos em produtos e serviços.
No entanto, o desempenho na classe Neutro foi significativamente inferior, com um F1-Score de apenas 27%. Esse padrão é esperado e consistente com a dificuldade inerente de classificar avaliações intermediárias, cujo conteúdo linguístico frequentemente mistura elementos positivos e negativos, conforme evidenciado na análise exploratória. A classe Neutro representa apenas 8,7% do dataset, o que contribui para o desafio de modelagem devido ao forte desbalanceamento de classes, tornando a tarefa de distinção mais complexa para o algoritmo.
A matriz de confusão do BERTimbau detalhou a distribuição dos acertos e erros. O modelo classificou corretamente 1.837 das 2.174 avaliações negativas (84,0% de recall), 162 das 705 neutras (23,0% de recall) e 4.862 das 5.237 positivas (92,8% de recall). Os principais erros de classificação concentraram-se na classe Neutro, com 284 avaliações neutras sendo classificadas erroneamente como Negativas e 259 como Positivas. Esse resultado é coerente com o caráter híbrido e ambíguo dessas avaliações, que dificultam uma categorização precisa.
Entre os 213 falsos negativos da classe Positivo, que foram classificados como Negativo, é provável que se tratem de comentários com um tom ambíguo ou que incluam críticas pontuais em avaliações globalmente favoráveis. Essa nuance é um desafio para qualquer modelo de classificação de sentimentos, pois a linguagem humana frequentemente expressa múltiplas emoções ou ressalvas dentro de um contexto predominantemente positivo. A capacidade de discernir essas sutilezas é um diferencial dos modelos mais avançados, como o BERTimbau, mas ainda apresenta margem para aprimoramento.
A comparação com a matriz de confusão do Naive Bayes + BoW revelou padrões similares, mas com algumas diferenças importantes. O Naive Bayes + BoW obteve um recall de 80,4% para a classe Negativa (1.748 acertos em 2.174), 27,1% para Neutro (191 acertos em 705) e 89,1% para Positivo (4.664 acertos em 5.237). Em comparação com o BERTimbau, o Naive Bayes apresentou um recall menor na classe Negativa (80,4% versus 84,0%), e um desempenho similar na classe Neutra. Isso evidencia que a vantagem do modelo de Deep Learning é mais pronunciada na identificação correta de avaliações negativas, um aspecto de especial relevância para a gestão de reputação e monitoramento de qualidade no varejo online.
Os resultados obtidos confirmam a hipótese de que o BERTimbau, por ser pré-treinado exclusivamente em português brasileiro e operar com atenção bidirecional sobre o contexto completo da frase, é capaz de capturar nuances linguísticas que os modelos clássicos, baseados em representações esparsas do tipo BoW e TF-IDF, não conseguem modelar adequadamente. Expressões coloquiais, negações compostas e construções ambíguas, típicas do português escrito informal do e-commerce, são exemplos de fenômenos que se beneficiam do processamento contextual do BERT (Devlin et al., 2019; Souza et al., 2020).
Um achado relevante foi o desempenho do Naive Bayes + BoW, que se posicionou como o segundo melhor modelo, com F1-Score de 81,40%, superando inclusive a combinação SVM + TF-IDF (80,89%) e o Naive Bayes + TF-IDF (80,26%). Esse resultado contraria a expectativa inicial de que a representação TF-IDF, por ponderar a raridade dos termos, produziria melhores resultados em todas as combinações. A explicação provável reside no fato de que o Naive Bayes, por modelar diretamente as probabilidades de ocorrência de palavras por classe, se beneficia da frequência bruta de termos altamente discriminativos, como “prazo”, “entrega” e “perfeito” nos positivos, e “atraso”, “nunca” e “problema” nos negativos, informação que o TF-IDF tende a relativizar (Tan et al., 2006).
A dificuldade de todos os modelos em classificar corretamente a classe Neutro, com F1-Scores entre 9% e 28%, reflete uma limitação estrutural da tarefa. Avaliações de 3 estrelas expressam percepções mistas que frequentemente utilizam vocabulário de ambas as polaridades extremas, tornando a distinção um desafio intrínseco. Estratégias como aumento de dados sintéticos (data augmentation), técnicas de oversampling ou arquiteturas específicas para classificação de classes intermediárias poderiam ser exploradas em trabalhos futuros para mitigar esse efeito, buscando um balanceamento mais eficaz das classes.
Do ponto de vista de aplicabilidade gerencial, os resultados demonstram que a automação da análise de sentimentos em avaliações de e-commerce é viável com alto grau de confiabilidade para as classes Positivo e Negativo. O modelo BERTimbau, em particular, apresenta desempenho suficiente para ser integrado a sistemas de monitoramento contínuo de satisfação de clientes. Isso permite a identificação proativa de gargalos logísticos, problemas de atendimento e falhas de produto com base nos comentários textuais, sem depender exclusivamente da nota numérica atribuída pelo consumidor, que pode não refletir fielmente os aspectos específicos de insatisfação expressos no texto.
Em síntese, a pesquisa confirmou a superioridade do BERTimbau na classificação de sentimentos em avaliações de e-commerce brasileiro, oferecendo uma ferramenta robusta para extrair inteligência de dados não estruturados. Os achados revelaram a centralidade da logística e da qualidade do produto na satisfação do cliente, bem como a sensibilidade a problemas de atendimento. A capacidade de identificar com precisão sentimentos positivos e negativos, apesar dos desafios na classe neutra, posiciona a análise de sentimentos como um recurso estratégico para gestores de e-commerce na otimização da experiência do consumidor e na tomada de decisões orientadas por dados.
4. Conclusão
Este estudo buscou implementar e comparar algoritmos de Machine Learning e Deep Learning para a classificação de sentimentos expressos em avaliações textuais de produtos do varejo online brasileiro, com o objetivo de identificar o modelo com melhor desempenho preditivo e gerar subsídios analíticos para gestores de e-commerce. Verificou-se que o modelo BERTimbau obteve o desempenho superior entre os algoritmos avaliados, alcançando acurácia de 84,54% e F1-Score ponderado de 83,74%. A análise exploratória dos comentários revelou que a logística e a entrega constituíram o tema dominante em todas as polaridades de sentimento, sendo um fator central para a satisfação ou insatisfação do cliente. A qualidade do produto também se mostrou crucial para avaliações positivas, enquanto problemas de atendimento ao cliente foram mais prevalentes em comentários negativos. A automação da análise de sentimentos, com a precisão demonstrada pelo BERTimbau, configura-se como uma ferramenta essencial para a gestão estratégica no varejo online, permitindo a identificação proativa de gargalos operacionais e o direcionamento de ações corretivas baseadas na percepção do consumidor.
Apesar do desempenho robusto para as classes Positivo e Negativo, a classificação da classe Neutro representou um desafio significativo para todos os modelos, com F1-Scores entre 9% e 28%, evidenciando a dificuldade intrínseca de modelar avaliações ambíguas e o desbalanceamento de classes. Essa limitação sugere que estudos futuros poderiam explorar estratégias de balanceamento de dados, como o aumento de dados sintéticos, ou arquiteturas especializadas para a classificação de sentimentos intermediários. Adicionalmente, a utilização de dados mais recentes, que reflitam os padrões linguísticos e vetores de satisfação atuais, e a aplicação de modelos de linguagem de grande escala (LLMs) poderiam aprimorar a representação e o refinamento contínuo dos classificadores em produção.
Referências Bibliográficas
Adnan, M.; Akbar, M.A. 2021. An analytical study of information extraction from unstructured and multidimensional big data. Journal of Big Data 8(1): 1-33.
Baviskar, D.; Ahirrao, S.; Potdar, V.; Kotecha, K. 2021. Efficient automated processing of the unstructured documents using artificial intelligence: a systematic literature review and future directions. IEEE Access 9: 72894-72936.
Devlin, J.; Chang, M.W.; Lee, K.; Toutanova, K. 2019. BERT: pre-training of deep bidirectional Transformers for language understanding. In: Annual Conference of the North American Chapter of the Association for Computational Linguistics, 2019, Minneapolis, MN, EUA. Anais… p. 4171-4186.
Joachims, T. 1998. Text categorization with support vector machines: learning with many relevant features. In: European Conference on Machine Learning, 1998, Berlim, Alemanha. Anais… p. 137-142.
Liu, J.; Chen, Y.; Liu, K.; Zhao, J. 2015. Sentiment analysis using product review data. Journal of Big Data 2(1): 1-14.
Raza, D.; Bhatti, M.T.; Khan, M.A.; Fatima, M. 2024. Sentiment analysis on e-commerce product reviews using machine learning and deep learning algorithms: a bibliometric analysis, systematic literature review, challenges and future works. Computers & Industrial Engineering 195: 110478.
Silva, L.; Souza, M.; Oliveira, R.; Lima, A. 2024. Comparative analysis of machine learning algorithms for sentiment classification in social media text. World Journal of Advanced Research and Reviews 23(3): 2842-2852.
Sokolova, M.; Lapalme, G. 2009. A systematic analysis of performance measures for classification tasks. Information Processing & Management 45(4): 427-437.
Souza, F.; Nogueira, R.; Lotufo, R. 2020. BERTimbau: pretrained BERT models for Brazilian Portuguese. In: Brazilian Conference on Intelligent Systems, 2020, Rio Grande do Sul, RS, Brasil. Anais… p. 403-417.
Souza, F.; Souza Filho, J. 2022. BERT for sentiment analysis: pre-trained and fine-tuned alternatives. Lecture Notes in Computer Science 13074: 33-47.
Tan, P.N.; Steinbach, M.; Kumar, V. 2006. Introduction to Data Mining. Pearson, Upper Saddle River, NJ, EUA.
Zhang et al., 2011 [Referência completa não encontrada no documento original]
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy