Vinicius Barreiro Shishido; Felipe Pinto Da Silva

DOI: 10.22167/2675-6528-202603958

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 e-commerce brasileiro consolidou as avaliações de clientes como rica fonte de dados não estruturados para a inteligência de negócios. Contudo, métricas tradicionais agregadas, como notas de estrelas, falham em capturar a complexidade de sentimentos mistos em um único comentário. O estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do Fine-Tuning do modelo de linguagem BERTimbau, visando classificar sentimentos em quatro aspectos de negócio e comparar seu desempenho com baselines convencionais. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist. Os resultados demonstraram desempenho superior do modelo ajustado, que alcançou um F1-Macro de 0,8149, representando uma melhoria de 23,7% em relação aos baselines de satisfação convencionais. Concluiu-se que o uso de LLMs especializados permite transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital.

Palavras-chave: Aprendizado de Máquina; Experiência do Cliente; Gestão da Cadeia de Suprimentos; Marketplace; Processamento de Linguagem Natural.

1. Introdução

O mercado de e-commerce no Brasil tem experimentado um crescimento significativo, registrando um faturamento de R$ 235,52 bilhões em 2025, o que representa uma alta de 15,3% em relação a 2024, com 438,9 milhões de pedidos e 94,23 milhões de compradores ativos (ABCOMM, 2025). Nesse ambiente digital em expansão, as avaliações e comentários dos clientes consolidam-se como uma das fontes mais ricas de dados não estruturados para a inteligência de negócios (Abdella e Indradewa, 2024). A capacidade de minerar e interpretar esse volume massivo de texto é crucial para aprimorar diversos processos de negócios, desde a gestão da cadeia de suprimentos até o desenvolvimento de produtos. Contudo, a eficácia das análises de Business Intelligence depende diretamente da granularidade e da acionabilidade dos insights extraídos (Jiang et al., 2019).

Historicamente, as plataformas de e-commerce dependem de métricas agregadas, como sistemas de notas de uma a cinco estrelas. Embora essas métricas forneçam uma visão instantânea da polaridade geral, elas são frequentemente insuficientes para guiar intervenções estratégicas eficazes. A análise de sentimento tradicional falha em identificar a causa raiz da satisfação ou insatisfação do cliente (Chris et al., 2024). Essa limitação é particularmente evidente no problema do Multi-Aspect Multi-Sentiment (MAMS), que ocorre quando uma única avaliação expressa sentimentos conflitantes em relação a diferentes aspectos da experiência de compra (Jiang et al., 2019).

Para superar essas limitações, a Análise de Sentimento Baseada em Aspectos (ABSA) emerge como uma técnica fundamental. A ABSA redefine o foco da análise, deslocando-o do documento ou da frase para um aspecto específico da experiência do cliente. No contexto do e-commerce, essa granularidade permite identificar e avaliar sentimentos relacionados a atributos como qualidade do produto, tempo de entrega, preço ou atendimento ao cliente (Machado e Pardo, 2022; Zhang et al., 2023). Do ponto de vista da Inteligência de Negócios, a ABSA capacita empresas de marketplace a obter insights cirúrgicos, possibilitando o refinamento de ofertas, o aprimoramento da satisfação do cliente e a otimização de estratégias de marketing de forma direcionada (Innerview Team, 2024). Para que a ABSA seja verdadeiramente acionável, o vocabulário de aspectos deve estar alinhado com as áreas de negócio passíveis de intervenção, como logística, gestão de inventário e atendimento. A precisão na extração de aspectos e na classificação de sentimentos, no entanto, depende de modelos de linguagem capazes de compreender as nuances do idioma e do domínio específico.

Nesse cenário, a evolução dos modelos de linguagem pré-treinados constitui uma das transformações tecnológicas mais significativas no Processamento de Linguagem Natural (PNL). O BERT (Bidirectional Encoder Representations from Transformers), proposto por Devlin et al. (2019), é uma metodologia autossupervisionada que gera modelos pré-treinados em grandes volumes de texto bruto, permitindo o fine-tuning para tarefas específicas de PNL com resultados expressivos, mesmo com menos dados anotados. O BERT foi posteriormente treinado para diferentes idiomas, incluindo o português brasileiro com o BERTimbau (Souza et al., 2020), que alcança Balanced Accuracy de até 93% em tarefas de extração de aspectos em avaliações (Corrêa et al., 2021). Contudo, para tarefas altamente específicas como a ABSA no domínio de e-commerce brasileiro, a estratégia de fine-tuning torna-se essencial, pois adapta o conhecimento linguístico do modelo às particularidades da base de dados e do jargão do domínio (Pavlíček et al., 2024). A literatura demonstra que modelos menores e otimizados podem frequentemente superar modelos universais maiores em tarefas estreitas, representando uma solução acessível e economicamente viável para aplicação em Business Intelligence (Parthasarathy et al., 2024).

Apesar do potencial da ABSA, a implementação de modelos eficazes para o português brasileiro, especialmente em domínios específicos como o e-commerce, ainda apresenta desafios relacionados à adaptação linguística e à disponibilidade de dados anotados. A capacidade de transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis, fornecendo subsídios estratégicos para a gestão da cadeia de suprimentos e otimização da experiência do cliente no ambiente digital, justifica a necessidade de pesquisas que aprimorem essa abordagem. Assim, o objetivo deste estudo foi desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos por meio do fine-tuning do BERTimbau, para classificação de sentimentos em quatro aspectos de negócio no e-commerce brasileiro; comparar seu desempenho com baselines baseados em regras (review score mais regex) e embeddings não ajustados, utilizando F1-Macro como métrica principal de avaliação; e avaliar a aplicabilidade dos insights granulares gerados para o ciclo de Inteligência de Negócios, utilizando para isso o Brazilian E-Commerce Public Dataset by Olist.

2. Material e Métodos

A pesquisa adotou uma abordagem de estudo de caso com natureza aplicada, focada na análise de um dataset público de transações reais de e-commerce brasileiro (Yin, 2015; Schulz et al., 2022). O objetivo foi desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do fine-tuning do BERTimbau, para classificar sentimentos em quatro aspectos de negócio. Para isso, utilizou-se o Brazilian E-Commerce Public Dataset by Olist (Kaggle, 2021).

O dataset da Olist abrangeu aproximadamente 100.000 pedidos realizados entre 2016 e 2018 em marketplaces brasileiros. As variáveis empregadas incluíram identificador da avaliação, texto livre do comentário, nota atribuída pelo cliente (1-5), datas de entrega (real e estimada) e categoria do produto. O fluxo metodológico foi estruturado em quatro etapas sequenciais: Preparação dos Dados, Rotulagem ABSA e Criação do Dataset Anotado, Modelagem e Fine-Tuning, e Avaliação Comparativa com Baselines.

A primeira etapa, Preparação dos Dados, processou 99.224 pedidos, identificando 40.977 avaliações com texto. Destas, 34.261 reviews com mais de 20 caracteres foram selecionadas para remover ruído (Palomino e Aider, 2022; Duong e Nguyen-Thi, 2021). A detecção de aspectos utilizou expressões regulares (regex) específicas para categorias de negócio. A amostragem estratificada priorizou aspectos de menor frequência (He e Garcia, 2009), resultando em uma amostra final de 200 reviews, balanceadas por polaridade.

A segunda etapa estabeleceu a Rotulagem ABSA e a criação do dataset anotado. A ABSA envolveu a análise de termos de aspecto, categoria, opinião e polaridade de sentimento (Zhang et al., 2023; Machado e Pardo, 2022). Definiu-se uma taxonomia de quatro aspectos de negócio: Logística, Produto, Atendimento e Preço. Cada aspecto foi configurado para classificação em três polaridades: Positivo, Negativo ou Neutro, resultando em um problema de classificação multi-label com oito classes de saída efetivas.

Para viabilizar a anotação manual, desenvolveu-se uma interface customizada em HTML e JavaScript, priorizando a independência entre aspectos e a persistência dos dados, com salvamento automático e exportação em formato CSV. Essa interface foi escolhida pela especificidade do problema ABSA multi-label, gerando triplas estruturadas no formato Aspecto-Sentimento-Expressão. Todo o desenvolvimento e treinamento foram realizados no ambiente Google Colab, utilizando backend de GPU (CUDA), e o código-fonte foi disponibilizado em repositório público no GitHub.

A terceira etapa consistiu na Modelagem e Fine-Tuning. O modelo base selecionado foi o BERTimbau (neuralmind/bert-base-portuguese-cased), um Transformer pré-treinado para o português brasileiro (Souza et al., 2020). A arquitetura do modelo ABSA foi configurada com embedding dimension de 768, max sequence length de 128 tokens, e oito classes para classificação multi-label, utilizando função de ativação Sigmoid.

Os hiperparâmetros de treinamento incluíram 20 epochs máximos, batch size de quatro para treino e oito para validação, e learning rate de 2×10-5 (Devlin et al., 2019). Aplicou-se warmup ratio de 0.1 e weight decay de 0.01 para regularização L2 (Loshchilov e Hutter, 2019). Para evitar overfitting, implementou-se Early Stopping com paciência de três epochs (Prechelt, 1998). A métrica de seleção para otimização foi F1-Macro, e o split treino/validação foi de 85% / 15%. Para desbalanceamento de classes, aplicaram-se Focal Loss (gamma de 2.0) (Lin et al., 2017) e pesos de classe inversamente proporcionais à frequência (He e Garcia, 2009).

A quarta etapa compreendeu a Avaliação Comparativa com baselines, implementando dois modelos de referência. O primeiro utilizou review_score com detecção de aspectos via regex, atribuindo sentimento positivo para notas maiores ou iguais a quatro e negativo para notas inferiores. O segundo empregou o BERTimbau sem fine-tuning, extraindo embeddings do token [CLS] e calculando similaridade cosseno com vetores de palavras de referência para cada polaridade. As métricas de avaliação incluíram F1-Score (Micro, Macro e Weighted), Precision, Recall e Exact Match, isolando a contribuição do fine-tuning.

3. Resultados e Discussão

Os resultados da pesquisa documentaram a implementação bem-sucedida das etapas metodológicas propostas, abrangendo a preparação dos dados, a estruturação do processo de rotulagem e o desenvolvimento do modelo de Fine-Tuning. Todo o processo foi executado em um ambiente de nuvem Google Colab, que alocou recursos de GPU (CUDA) e memória RAM de sistema, garantindo a capacidade computacional necessária. Para assegurar a reprodutibilidade integral dos experimentos, o código-fonte completo, incluindo scripts de amostragem, a interface de rotulagem e os scripts de treinamento, foi devidamente versionado e disponibilizado em um repositório público no GitHub.

A preparação dos dados envolveu a conexão automática ao Brazilian E-Commerce Public Dataset by Olist, utilizando a biblioteca kagglehub, e a aplicação de um pipeline de filtragem e amostragem conforme detalhado na metodologia. Uma análise exploratória inicial revelou padrões significativos na distribuição dos aspectos mencionados nas avaliações dos clientes. O aspecto Produto foi o mais frequentemente citado, com 60,4% das menções, seguido de perto por Logística, com 56,5%. Em contraste, Atendimento e Preço foram classes minoritárias, com 15,3% e 8,3% das menções, respectivamente. Essa distribuição assimétrica sublinha a predominância de preocupações relacionadas ao produto e à entrega no e-commerce, enquanto interações diretas com vendedores e discussões sobre preços ocorrem com menor frequência.

A pesquisa também identificou uma sobreposição considerável entre os aspectos, com 42,3% das avaliações textuais mencionando simultaneamente Produto e Logística. Frequentemente, essas menções apresentavam polaridades divergentes, o que validou empiricamente a relevância do problema Multi-Aspect Multi-Sentiment (MAMS) no contexto do e-commerce brasileiro. Essa característica reforçou a necessidade de um modelo capaz de classificar múltiplos aspectos de forma independente, superando as limitações de abordagens de sentimento agregado que não capturariam essa granularidade diagnóstica. A estratégia de amostragem estratificada foi crucial para garantir a representatividade mínima de todas as classes, com 30 amostras para Preço e Atendimento e 40 para Logística e Produto, balanceadas entre polaridades positivas (notas 4-5) e negativas (notas 1-2).

Uma contribuição metodológica relevante do estudo foi o desenvolvimento de uma interface customizada em HTML e JavaScript para a rotulagem manual dos dados. Essa ferramenta foi projetada para viabilizar a anotação eficiente de dados para ABSA em português, priorizando a independência entre os aspectos. A interface permitia ao anotador selecionar polaridades distintas (Positivo, Neutro, Negativo) para cada um dos quatro aspectos de negócio de forma simultânea, sem indução de viés por correlação visual. O design responsivo e as funcionalidades operacionais, como navegação por teclado e validação em tempo real, agilizaram o processo de anotação, e a exportação em formato CSV facilitou a integração com os scripts de treinamento.

O treinamento do modelo BERTimbau demonstrou uma convergência eficaz, com a ativação do mecanismo de Early Stopping após sete epochs, bem antes do limite máximo de vinte epochs configurado. Isso indicou que o modelo atingiu uma capacidade de generalização adequada, evitando o overfitting. A distribuição das classes no dataset rotulado revelou assimetrias importantes, com Produto_Pos (112 ocorrências) e Logística_Pos (89) sendo as mais frequentes, enquanto Preço_Neg (12) e Preço_Pos (15) apresentaram representatividade significativamente menor. Essa distribuição reflete o viés positivo comum em avaliações de e-commerce, onde clientes satisfeitos tendem a comentar mais sobre produto e logística.

A assimetria intra-aspecto também foi notável, com o aspecto Produto apresentando uma razão de 2,95:1 entre polaridades positiva e negativa (112 versus 38), e Logística exibindo 1,98:1 (89 versus 45). Atendimento e Preço, embora com menor volume absoluto, mostraram distribuições mais equilibradas entre polaridades. Para mitigar essa heterogeneidade e evitar supercompensação, foram implementados pesos de classe calculados pela raiz quadrada da razão inversa de frequência, variando de 0,89 para Produto_Pos (classe majoritária) a 2,72 para Preço_Neg (classe minoritária), seguindo as recomendações de He e Garcia (2009) para tratamento de classes desbalanceadas.

A avaliação comparativa do modelo Fine-Tuned com os baselines estabelecidos demonstrou a superioridade da abordagem proposta. O modelo Fine-Tuned ABSA alcançou um F1-Macro de 0,8149, uma métrica crucial para problemas multi-label desbalanceados, pois atribui peso igual a todas as classes (Christen, Hand e Kirielle, 2023). Esse desempenho representou uma melhoria de 72,4% em relação ao baseline de Review Score (F1-Macro de 0,4727) e de 23,7% em comparação com o BERTimbau Base sem ajuste (F1-Macro de 0,6585). A superioridade sobre o baseline de Review Score era esperada, visto que este assume uma correlação perfeita entre a nota geral e o sentimento em cada aspecto, premissa inadequada para o problema MAMS.

A melhoria observada em relação ao BERTimbau Base sem ajuste é particularmente significativa, pois evidencia o valor do fine-tuning. Embora o modelo pré-treinado já possua representações linguísticas sofisticadas para o português, a adaptação ao vocabulário específico do e-commerce e às nuances das categorias de aspecto definidas proporcionou um ganho substancial na capacidade de discriminação. Adicionalmente, a métrica de Exact Match, que exige acerto simultâneo em todas as oito classes para que uma avaliação seja considerada correta, atingiu 62,5% no modelo Fine-Tuned, contra 37,5% e 25,0% nos baselines. Esse resultado valida a capacidade do modelo de resolver o problema MAMS de forma consistente, classificando múltiplos aspectos com polaridades potencialmente divergentes em uma mesma avaliação.

A análise granular do desempenho por classe permitiu identificar os pontos fortes e as limitações do modelo em cada dimensão da taxonomia de aspectos. O aspecto Logística obteve o melhor desempenho global, com F1-Score de 0,96 para polaridade positiva e 0,94 para negativa. Esse resultado é atribuído à representatividade adequada dessas classes no conjunto de treinamento (89 e 45 amostras, respectivamente) e à presença de marcadores lexicais distintivos no domínio logístico, como “chegou antes do prazo” ou “atrasou”, que facilitam a discriminação pelo modelo. Do ponto de vista de negócios, esse desempenho é valioso, pois a logística é uma interface direta entre a cadeia de suprimentos e a percepção do cliente, oferecendo grande potencial para intervenções operacionais.

O aspecto Produto apresentou um F1-Score de 0,88 para polaridade positiva e 0,67 para negativa. A assimetria de desempenho entre as polaridades reflete o desbalanceamento acentuado no treinamento (112 positivos versus 38 negativos), sugerindo que o modelo desenvolveu maior sensibilidade para reconhecer a satisfação do que a insatisfação com produtos. Avaliações negativas sobre produtos frequentemente empregam linguagem mais variada e implícita, como “não era bem isso”, em contraste com as positivas, como “excelente qualidade”, o que aumenta a dificuldade de classificação. Estratégias de data augmentation para a classe Produto_Neg poderiam mitigar essa limitação em futuras iterações do modelo.

Para o aspecto Atendimento, o modelo alcançou um F1-Score de 0,91 para polaridade positiva e 0,67 para negativa. Esse desempenho é notável, considerando o volume reduzido de amostras (28 positivas, 19 negativas), e sugere que as expressões relacionadas a atendimento, como “vendedor atencioso” ou “grosseiro”, apresentam padrões linguísticos suficientemente distintos para permitir uma classificação acurada, mesmo com dados limitados. A capacidade de identificar nuances no atendimento ao cliente é fundamental para aprimorar a experiência de compra em marketplaces.

O aspecto Preço apresentou o menor desempenho relativo, com F1-Score de 0,50 para polaridade positiva e 0,67 para negativa. Com apenas 15 e 12 amostras, respectivamente, essas classes não atingiram a massa crítica necessária para uma convergência robusta do modelo. A baixa frequência de menções a preço nas avaliações pode ser explicada pelo fato de que os consumidores tendem a avaliar o preço no momento da decisão de compra, e não necessariamente após o recebimento do produto, o que limita a disponibilidade de feedback textual sobre este aspecto.

É fundamental interpretar com cautela as métricas reportadas para classes com suporte inferior a cinco observações, especificamente Preço_Pos e Preço_Neg (ambas com suporte de duas amostras) e Atend_Neg (com suporte de três amostras). Com amostras tão reduzidas, uma única classificação incorreta pode alterar o F1-Score em até cinquenta pontos percentuais, tornando as métricas estatisticamente instáveis. Esses resultados, portanto, servem como indicadores da direção do desempenho do modelo, mas não são conclusivos quanto à sua capacidade real de generalização nessas classes minoritárias. A expansão da base rotulada, com foco prioritário nessas categorias, é uma ação futura essencial para validação robusta.

Para a validação qualitativa da capacidade do modelo em resolver o problema MAMS, foram realizados testes de inferência em avaliações reais não utilizadas no treinamento. Em exemplos característicos como “O celular é incrível, mas a entrega demorou uma eternidade”, o modelo identificou corretamente Produto_Pos (com 87% de confiança) e Logística_Neg (com 82% de confiança), demonstrando sua capacidade de capturar sentimentos conflitantes na mesma avaliação. Similarmente, em avaliações complexas como “Produto chegou rápido, mas veio com defeito e o vendedor não quis trocar”, o modelo classificou adequadamente Logística_Pos, Produto_Neg e Atendimento_Neg. Esses casos ilustram a principal vantagem da abordagem ABSA sobre métricas agregadas: a capacidade de fornecer diagnósticos granulares que permitem intervenções direcionadas em cada dimensão da experiência do cliente.

Em síntese, os resultados obtidos demonstram a viabilidade e a eficácia do modelo multi-label de Análise de Sentimento Baseada em Aspectos, desenvolvido por meio do fine-tuning do BERTimbau, para a classificação de sentimentos em quatro aspectos de negócio no e-commerce brasileiro. A superioridade do modelo ajustado em relação aos baselines convencionais, com um F1-Macro de 0,8149 e uma capacidade de Exact Match de 62,5%, valida sua habilidade em resolver o problema MAMS e transformar feedbacks subjetivos em indicadores de diagnóstico acionáveis. Essa granularidade de insights é crucial para a gestão da cadeia de suprimentos e a otimização da experiência do cliente no ambiente digital, permitindo intervenções estratégicas direcionadas em áreas como logística, curadoria de produtos, atendimento ao vendedor e política de preços.

4. Conclusão

Este estudo objetivou desenvolver um modelo multi-label de Análise de Sentimento Baseada em Aspectos (ABSA) por meio do fine-tuning do BERTimbau para classificar sentimentos em quatro aspectos de negócio no e-commerce brasileiro, comparando seu desempenho com baselines e avaliando a aplicabilidade dos insights gerados. Verificou-se a implementação bem-sucedida do modelo, que alcançou um F1-Macro de 0,8149, demonstrando uma melhoria de 23,7% em relação ao BERTimbau Base sem ajuste e de 72,4% sobre o baseline de Review Score. A capacidade de resolver o problema Multi-Aspect Multi-Sentiment (MAMS) foi confirmada por um Exact Match de 62,5%, evidenciando a habilidade do modelo em classificar corretamente múltiplos aspectos com polaridades potencialmente divergentes em uma mesma avaliação. Os aspectos Logística e Produto apresentaram desempenho robusto, com F1-Scores entre 0,94 e 0,96 para Logística e entre 0,67 e 0,88 para Produto, enquanto Atendimento e Preço, embora com menor volume de dados de treinamento, mostraram resultados promissores. Esses achados indicam a viabilidade de transformar avaliações textuais subjetivas em indicadores de diagnóstico granulares e acionáveis, fornecendo subsídios estratégicos para a gestão operacional de marketplaces, incluindo logística, curadoria de produtos, atendimento ao vendedor e política de preços.

Apesar dos resultados positivos, o estudo apresentou limitações inerentes à amostra rotulada de 200 observações, que, embora suficiente para a convergência do modelo, impôs restrições à generalização, especialmente nas classes minoritárias de Preço e Atendimento. As métricas reportadas para classes com suporte inferior a cinco observações devem ser interpretadas com cautela, dada a sua instabilidade estatística. Como perspectivas para trabalhos futuros, sugere-se a expansão da base rotulada, com foco prioritário nas categorias minoritárias, para estabilizar as métricas de avaliação e fortalecer a capacidade de generalização do modelo. Recomenda-se também a implementação de análises de correlação e regressão múltipla entre os sentimentos classificados por aspecto e as métricas operacionais do dataset, visando quantificar o impacto de cada dimensão operacional na percepção do cliente. Adicionalmente, a exploração de técnicas de data augmentation e few-shot learning pode viabilizar a generalização com menor volume de dados anotados. Em suma, este trabalho contribui significativamente para a literatura de ABSA em português brasileiro, ao demonstrar a viabilidade do fine-tuning de modelos Transformer para classificação multi-label de sentimentos no domínio de e-commerce, reforçando que soluções de PNL avançadas podem ser implementadas de forma acessível para a integração de Business Intelligence no varejo digital.

Referências Bibliográficas

Abdella, R.A.; Indradewa, R. 2024. Customer satisfaction in e-commerce: the role of service quality, product quality, and e-servicescape influences via perceived value. Journal of Management and Digital Business 4(2): 368-382.

Associação Brasileira de Comércio Eletrônico [ABCOMM]. 2025. Crescimento do e-Commerce no Brasil. Disponível em: https://dados.abcomm.org/crescimento-do-ecommerce-brasileiro. Acesso em: 24 out. 2025.

Chris, E.; Olusegun, J.; Favor, B.; Ramon, T. 2024. Aspect-based sentiment analysis of customer reviews in e-commerce. Disponível em: https://www.researchgate.net/

Jiang, Q.; Chen, L.; Xu, R.; Ao, X.; Yang, M. 2019. A challenge dataset and effective models for aspect-based sentiment analysis. In: Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP), 2019, Hong Kong, China. Anais… p. 6280-6285. Disponível em: https://aclanthology.org/D19-1654/. Acesso em: 25 out. 2025.

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