A análise de sentimentos é aprendizagem automática?

Muitas pessoas perguntam: "A análise de sentimentos é aprendizagem automática?" A resposta curta: sim. A análise de sentimentos moderna depende de modelos de aprendizagem automática para analisar e melhorar a forma como o significado emocional é detetado no texto.

Neste artigo, explicarei o que é a análise de sentimentos, o que significa aprendizagem automática e como ambas funcionam em conjunto no contexto da experiência do cliente.

O que é a análise de sentimentos?

A análise de sentimentos, também conhecida como mineração de opiniões, é o processo de ler uma compilação de texto e interpretar se o tom é positivo ou negativo. As empresas utilizam frequentemente ferramentas de análise de sentimentos para compreender o que os clientes sentem em relação à sua marca ou o que as pessoas dizem online sobre a concorrência.  

Na análise de sentimentos, são atribuídas às partes de texto — como um tweet ou uma avaliação de cliente — uma pontuação negativa, neutra ou positiva, com base nas palavras individuais que compõem o texto.

Para tal, o software de análise de sentimentos utiliza um léxico ou dicionário para identificar e classificar cada palavra. Este dicionário é compilado por pessoas que recolheram manualmente as palavras e atribuíram uma pontuação a cada uma. 

Este processo é moroso e abrangente, uma vez que cada palavra precisa não só da sua própria pontuação, como também de pontuações relacionadas entre si. Por exemplo, melhor é superior a ótimo, que é superior a bom. 

Este léxico é a base da análise de sentimentos. 

Como funciona a análise de sentimentos?

Existem três formas de implementar a análise de sentimentos dos clientes e a escolha depende sobretudo da quantidade de dados que precisa de analisar e do nível de precisão que pretende alcançar. 

Baseada em regras

A análise de sentimentos baseada em regras é um método de seleção automática de funcionalidades, baseado em regras estabelecidas por seres humanos. As regras incluem normalmente muitas técnicas de processamento de linguagem natural (NLP) e classificadores de Bayes ingénuos. Esta abordagem é rápida, mas é extremamente simples e pouco precisa.

Por exemplo, as regras podem definir palavras extremamente negativas (pior, horrível, feio) e positivas (excelente, melhor, bonito). A estas palavras é atribuído um valor positivo ou negativo. Se existirem mais palavras positivas do que negativas, o software indica que o texto tem um sentimento positivo; se existirem mais palavras negativas, indica um sentimento negativo. Se existir o mesmo número de palavras positivas e negativas, o texto é considerado neutro.

Como mencionado, esta abordagem é rápida, mas não é muito diferenciada. Não tem em conta nada além das regras simples aplicáveis às palavras, ignorando o local onde estas aparecem ou a forma como são combinadas. É possível alterar as regras à medida que avança, mas isso também alterará quaisquer resultados anteriores. Estes sistemas exigem muitos ajustes e manutenção.

Automática

Os sistemas automáticos são considerados aprendizagem automática. Não dependem de regras definidas por programadores para a classificação de sentimentos, mas precisam de aprender. Ao treinar sistemas automáticos, o sistema aprende a associar determinadas palavras e combinações de texto a uma etiqueta específica. O texto é convertido num vetor de características. A máquina combina etiquetas e vetores de características para gerar um algoritmo e criar um modelo a utilizar posteriormente. 

Os vetores de características representam todas as funcionalidades e características de um objeto; neste caso, as palavras e expressões. Na aprendizagem automática e na IA na análise de sentimentos dos clientes, são essenciais para os padrões e algoritmos que processam os dados. Assim, quanto mais testes forem fornecidos ao sistema, mais etiquetas e vetores de características este cria, e mais aprende e aperfeiçoa o seu algoritmo e modelo de análise de sentimentos. 

Este processo pode tornar-se bastante complexo, avançando para a aprendizagem profunda, na qual utiliza um conjunto de algoritmos e redes neuronais artificiais para analisar dados, numa tentativa de imitar o processo de pensamento do cérebro humano.

Híbrida

Uma abordagem híbrida utiliza uma combinação de análise de sentimentos baseada em regras e automática, idealmente aproveitando as melhores partes de cada uma e fundindo-as numa só. Este método é geralmente o mais preciso.

Como se relacionam a análise de sentimentos e a aprendizagem automática

A aprendizagem automática é uma parte importante da análise de sentimentos, mas não é o único aspeto relevante. 

Através do processamento de linguagem natural, os programadores podem introduzir grandes quantidades de texto e dados ao criar um léxico de sentimentos e ao treinar o programa de aprendizagem automática. O programa continuará a atribuir pontuações a mais palavras, melhorando o seu algoritmo e a sua capacidade de realizar análises de sentimentos e, eventualmente, previsões de sentimentos. Estas melhorias são apoiadas por algoritmos de aprendizagem automática.

Há muitos aspetos que a aprendizagem automática aplicada à análise de sentimentos tem de compreender para ser tão precisa quanto possível, razão pela qual é preferível utilizar um modelo de aprendizagem profunda.

Uma análise de sentimentos precisa exige uma compreensão aprofundada das classes gramaticais. Os programadores treinam a aprendizagem automática para este efeito, identificando cada palavra como substantivo, verbo, adjetivo, entre outras. 

À medida que o programa aprende mais sobre a estrutura das frases e sobre a forma como as palavras são organizadas e colocadas nas frases, desenvolve a sua compreensão básica da linguagem natural, melhorando a precisão da classificação. 

Ainda assim, existem muitos obstáculos que desafiam a aprendizagem automática aplicada à análise de sentimentos. 

Desafios da aprendizagem automática na análise de sentimentos

Existem muitos desafios na análise de sentimentos, independentemente do modelo que esteja a utilizar.

A análise de sentimentos é algo que nós, enquanto seres humanos, fazemos constantemente. Sempre que lemos uma mensagem de texto de um amigo ou uma publicação de um desconhecido, temos de perceber qual é realmente o sentimento. Estará a pessoa a ser sarcástica? Divertida? Irónica? 

É difícil para as pessoas perceberem com precisão o significado por detrás de um texto 100 por cento das vezes. Se os seres humanos têm dificuldades com isto na sua língua materna, faz sentido que a aprendizagem automática também tenha algumas dificuldades com a análise de sentimentos. 

Eis alguns dos aspetos que tornam a análise de sentimentos difícil para a aprendizagem automática:

Subjetividade

Algumas afirmações são factuais e não são positivas nem negativas, mas nem sempre é fácil distinguir esta ideia. Por exemplo, observe as duas frases seguintes:

A camisa é azul. 

A camisa é bonita.

Neste exemplo, é evidente qual das frases tem um sentimento positivo — a camisa é bonita. Mas isso não significa que a primeira frase seja negativa. A primeira frase é objetiva. Afirma um facto — a camisa é azul. 

A dificuldade surge porque, por vezes, dois predicados não têm o mesmo valor. A segunda frase, que comenta que a camisa é bonita, é mais importante do ponto de vista dos sentimentos porque é subjetiva. O segundo comentário indica o que um utilizador sente em relação a um produto, o que constitui dados que pode utilizar. 

Tom

O tom é uma das coisas mais difíceis de decifrar para os seres humanos, por isso imagine o quão difícil pode ser para uma máquina fazê-lo. Perceber se alguém está a ser sarcástico, por exemplo, é extremamente difícil através de texto, porque as pessoas costumam utilizar palavras que são o oposto do que querem dizer. Por exemplo: 

O meu maravilhoso carro avariou-se outra vez. Fantástico!

O meu carro de sucata avariou-se outra vez. 

Estas duas frases têm um sentimento negativo, mas a primeira utiliza sarcasmo ao incluir palavras como maravilhoso e fantástico. Este cenário seria difícil de compreender para um sistema de análise de sentimentos sem que um ser humano o analisasse e tomasse uma decisão final. 

Contexto

Em alguns casos, é impossível determinar o sentimento sem um contexto mais amplo. Considere o seguinte sentimento: “A seleção nesta loja de artigos para belas-artes é excelente se estiver a tirar um curso superior de pintura.” Ao analisar o texto, identificamos palavras com uma pontuação positiva, como “excelente”. 

No entanto, um contexto mais amplo desta afirmação implica algo diferente: a loja de artigos para belas-artes não é assim tão boa se o seu foco for o lápis, a tinta, a escultura ou outro tipo de meio artístico. Ups. Ao considerar o contexto, poderá decidir que, afinal, esta avaliação não é assim tão positiva!

Quando a aprendizagem automática efetua mineração de opiniões para determinar sentimentos, nem sempre contabiliza devidamente o contexto.

Comparações

As comparações são complexas porque não dizem tanto respeito às palavras, mas à forma como estas se relacionam entre si. Eis um exemplo:

Esta é a melhor tarte que já comi. 

A tarte deles é boa para um restaurante de uma cadeia. 

A primeira frase é positiva. A segunda não é tão fácil de determinar. É muito provável que queira que o seu produto seja bom em comparação com todos os tipos de concorrência. O segundo sentimento implica que, em comparação com pasteleiros especializados, estabelecimentos locais ou outros locais, a sua tarte é de segunda categoria.

As soluções de análise de sentimento podem não detetar o fator de comparação aqui. Em vez disso, leriam a palavra “bom” e classificariam o sentimento como positivo, embora seja evidente que há mais informação na situação. 

Emojis

Qualquer pessoa que passe algum tempo online sabe que os emojis estão por todo o lado. Alguns são simples, outros são complicados, mas todos podem causar problemas aos sistemas de aprendizagem automática que tentam determinar o sentimento. 

Os emojis são uma parte importante da comunicação online. Um emoji de coração deve ser interpretado como um sentimento positivo, enquanto o emoji de uma pilha de fezes seria certamente classificado negativamente. Isto não constitui um problema, desde que esteja a trabalhar com bibliotecas de sentimentos que atribuam pontuações aos emojis mais comuns, tal como podem fazer com palavras populares de calão.

Calão

A língua está em constante evolução, o que inclui o léxico de calão de cada geração, como “smol”, “stan”, “woke” e “salty”. Tal como acontece com os emojis, a sua ferramenta de análise de sentimento pode ter dificuldades neste caso.

Afinal, parece surgir uma nova palavra de calão inspirada em memes a cada poucos meses. O calão que permanece e que pode aparecer em avaliações e nas redes sociais pode ser adicionado à biblioteca de sentimentos e receber uma pontuação positiva, neutra ou negativa... tal como qualquer outra palavra! 

O nosso dicionário linguístico está sempre a evoluir. Lembro-me do revirar coletivo de olhos quando YOLO (You Only Live Once, para quem não está familiarizado com a expressão) foi incluído no dicionário online de Oxford em 2014. No entanto, os analisadores de sentimento têm esperança: isto significa que os dicionários de aprendizagem automática também podem evoluir. As melhores ferramentas de análise de sentimento irão incorporar novo calão através de atualizações de software ou da introdução manual por parte do utilizador. 

Ponto intermédio: o que é um sentimento neutro?

Uma forma de criar uma boa base para treinar a aprendizagem automática consiste em dedicar algum tempo a pensar exatamente no que significa “neutro”. Passei muito tempo a falar sobre exemplos positivos e negativos para um analisador de sentimentos, mas esses dois sentimentos dependem da existência de uma definição clara de neutro. É justo dizer que o neutro é uma das partes mais importantes do processo.

Mas como se define o neutro? Eis 3 formas de começar:

1. Inclua testes objetivos. Lembre-se do exemplo acima: esta camisa é azul. O carro é amarelo. A árvore tem folhas. Todas estas são afirmações objetivas baseadas em factos. Não têm qualquer sentimento positivo ou negativo associado. 

2. Elimine tudo o que for irrelevante. A informação irrelevante não o ajudará a determinar se algo é positivo ou negativo. Por exemplo, se uma avaliação de uma máquina de secar roupa começar com uma anedota, como “Desci à cave e pus a roupa molhada na máquina de secar, apenas para descobrir que estava avariada”, esta informação não é relevante para o sentimento da própria avaliação e pode ser excluída.

3. Ignore sugestões. Esta não é uma regra rígida, mas muitas vezes as sugestões não contribuem para o sentimento. Se descobrir que os avaliadores desejavam que um artigo tivesse determinada funcionalidade, isso não lhe diz muito sobre o sentimento do cliente. Poderá pensar inicialmente que isto é negativo, e pode sê-lo. Por exemplo, “O bife estava horrível, gostaria que não o tivessem cozinhado demasiado” é negativo. Mas os desejos também podem surgir em avaliações positivas. “O bolo estava delicioso, gostaria que houvesse mais” ou “Adoro tudo nesta camisa, gostaria que existisse em 100 cores.” 

Ter uma definição clara de neutro é a base de toda a análise de sentimento. Afinal, todas as análises começam de forma neutra e depois tendem para o positivo ou para o negativo à medida que o texto é avaliado. 

Conclusão 

A análise de sentimento é um tipo de ferramenta de aprendizagem automática. A aprendizagem automática utiliza o processamento de linguagem natural para criar os elementos fundamentais do processo de análise de sentimento. 

No entanto, a aprendizagem automática é simplesmente a forma como os computadores aprendem e nem sempre tem de estar associada à análise de sentimento. Existe também aprendizagem automática para chatbots de atendimento ao cliente, previsões empresariais, motores de recomendação de produtos, definição dinâmica de preços de produtos e muito mais. 

Subscreva o boletim informativo da The CX Lead para obter mais informações de especialistas sobre a experiência do cliente e a experiência do utilizador.