A análise de sentimento é uma técnica que permite identificar o tom positivo, negativo ou neutro de uma frase ou publicação.
A Buzzmonitor utiliza um conjunto de classificadores baseados no Teorema de Bayes para realizar a análise de sentimento. Este teorema diz que podemos calcular a probabilidade do sentimento de uma frase se soubermos as probabilidades dos sentimentos de cada termo, tendo também em consideração a ordem em que ocorrem.
Por exemplo, a frase “bem mal” é classificada como negativa porque a probabilidade de o sentimento ser positivo, dado que ocorre o termo “bem” e em seguida o termo “mal”, é muito baixa (0,1). Ao contrário, a frase “bom bem” é classificada como positiva porque a probabilidade de o sentimento ser positivo, dado que ocorre o termo “bem” e em seguida o termo “bom”, é muito alta (0,9).
O sentimento de uma publicação é calculado com base numa fórmula que une todas as probabilidades dos termos que a compõem. Se a probabilidade final for baixa, a publicação é classificada como negativa. Se a probabilidade final for alta, a publicação é classificada como positiva.
A Buzzmonitor também aprende com o tempo, adaptando-se ao feedback dos utilizadores. Por exemplo, se uma publicação for classificada como positiva por um utilizador, mas a Buzzmonitor a classifica como neutra, o sistema irá aprender com este feedback e, no futuro, poderá classificar publicações semelhantes como positivas.
Como o algoritmo calcula essas probabilidades?
As probabilidades dos sentimentos dos termos são calculadas a partir de um conjunto de treinos de frases pré-classificadas como positivas e negativas. O algoritmo analisa as frases do conjunto do treino e, para cada termo, calcula a probabilidade de esse termo ocorrer numa frase positiva e a probabilidade desse termo ocorrer numa frase negativa.
Porquê que muitos dos resultados são por vezes errados?
Existem várias razões pelas quais os resultados da análise de sentimento serem errados. Uma razão é que o conjunto de treinos pode não ser representativo da linguagem natural real. Outra razão é que o algoritmo pode não ser capaz de capturar todas as nuances da linguagem natural. Além disso, a análise de sentimento é uma tarefa complexa e nem sempre é possível obter resultados precisos.
Considere o tweet: “um verdadeiro vírus essa música do xpto, não paro de ouvir, socorro!”
O tweet “um verdadeiro vírus essa música do xpto, não paro de ouvir, socorro!” é um exemplo de uma frase que pode ser classificada de forma errada pelo algoritmo. A palavra “vírus” tem uma conotação negativa, mas o tweet também usa a palavra “ouvir”. Se o algoritmo não for capaz de entender o contexto do tweet, pode classificar o tweet como negativo, quando na verdade é positivo.
Aprendizagem do próprio robô através da Inteligência Artificial Machine Learning
A longo prazo, o próprio robô pode aprender a melhorar a sua precisão através da aprendizagem de máquina. O robô pode ser treinado com um conjunto de dados de tweets classificados por humanos. Isso permitirá que o robô aprenda a identificar as nuances da linguagem natural e a classificar os tweets com mais precisão.
Criação de regras via Triggers Buzzmonitor
É possível criar regras para aplicar sentimento de acordo com as palavras-chave configuradas. Para isso, siga os passos abaixo:
- No menu Atendimento, clique em Triggers e selecione o botão Novo Trigger.
- Em Geral, defina um nome para o alerta.
- Em Fontes, selecione os serviços, projetos e perfis onde o alerta será aplicado.
- Em Filtros, defina os termos booleanos com as palavras que ativarão o alerta.
- Em Ações, defina o sentimento atribuído às interações recolhidas. Pode até mesmo criar um ticket para o caso.
