An ónio Ilídio Sousa Mi anda
Análise de Sen imen os em Con eúdos
Tex uais
Janei o de 2024
An ónio Ilídio Sousa Mi anda
Análise de Sen imen os em Con eúdos
Tex uais
Disse ação de Mes ado
Mes ado em Engenha ia de Sis emas
T abalho e e uado sob a o ien ação do
P o esso Dou o O lando Belo
Janei o de 2024
ii
DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS
Es e é um abalho académico que pode se u ilizado po e cei os desde que espei adas as eg as e
boas p á icas in e nacionalmen e acei es, no que conce ne aos di ei os de au o e di ei os conexos.
Assim, o p esen e abalho pode se u ilizado nos e mos p e is os na licença abaixo indicada.
Caso o u ilizado necessi e de pe missão pa a pode aze um uso do abalho em condições não
p e is as no licenciamen o indicado, de e á con ac a o au o , a a és do Reposi ó iUM da Uni e sidade
do Minho.
Licença concedida aos u ilizado es des e abalho
A ibuição
CC BY
h ps://c ea i ecommons.o g/licenses/by/4.0/

iii
AGRADECIMENTOS
Começo po ag adece à minha amília: à minha mãe pelo exemplo de o ça e esiliência, po oda a
dedicação na educação que me ansmi iu e pelos conselhos que me deu e dá. Ao meu pai po odo o
apoio nes a caminhada e po nos coloca no opo das suas p io idades. À minha i mã, po odo o amo
e dedicação incondicional que deposi a na nossa elação. Po me apoia e mo i a em odo o meu
pe cu so académico e pessoal, e po se um exemplo como pessoa e p o issional. Aos meus a ós po
me acolhe em de b aços abe os na sua casa du an e o meu pe cu so académico. Pelos ab aços, pelos
jan a es ei os com an o amo , pelas con e sas, pelos beijinhos no “cachaço”, en im, po se em quem
são.
Es e abalho de disse ação não se ia possí el sem a o ien ação do P o esso Dou o O lando Belo, e
po isso deixo o meu ag adecimen o po odos os emails com o assun o “No idades”, que me ize am
e mina es a disse ação, pelo empenho, pelo b io e po oda a paixão pelo ensino que se aduzem
num p o issional de excelência.
Ao Ca los ag adeço po ac edi a em mim e em odo o meu abalho, po udo o que me ensinou e ensina
p o issionalmen e e pessoalmen e e pelo exemplo de humanidade e de pe se e ança. Sem ele e sem os
seus “empu ões” es e abalho de disse ação não se ia possí el.
Po im, es a-me ag adece aos Tonecas pelo pe cu so académico que izemos jun os nes a g ande
Academia Minho a, po odas os isos, discussões, po odas as noi es no Go a D’Água… Po odas as
i ências e pelas que ainda hão de i o meu mui o ob igado!
i
DECLARAÇÃO DE INTEGRIDADE
Decla o e a uado com in eg idade na elabo ação do p esen e abalho académico e con i mo que não
eco i à p á ica de plágio nem a qualque o ma de u ilização inde ida ou alsi icação de in o mações ou
esul ados em nenhuma das e apas conducen e à sua elabo ação.
Mais decla o que conheço e que espei ei o Código de Condu a É ica da Uni e sidade do Minho.
RESUMO
Análise de Sen imen os em Con eúdos Tex uais
No mundo hodie no, o luxo de dados da Web c esce de dia pa a dia. As pessoas possuem pla a o mas
de ácil e ápido acesso, que pe mi em a exposição das suas opiniões sob e os mais di e sos assun os.
Es as opiniões, equen emen e exp essas em con eúdos ex uais, são uma on e de in o mação mui o
ica pa a os mais di e sos amos de negócio. Nes e con ex o a análise de sen imen os pode aze mais
alo aos p ocessos de análise de dados e omada de decisão. A análise de sen imen os p o idencia
meios expedi os pa a analisa e a alia opiniões, bem como in e i o sen imen o que exp essam. É uma
a e a que pa ece simples ao olho humano, mas que se o na ex emamen e complicada e desa ian e
quando a ibuída a uma máquina. Nes e abalho de disse ação é explo ado o p ocesso da análise de
sen imen os, em odas as suas e apas, desde o p é-p ocessamen o de dados, a ex ação de a ibu os,
a é à classi icação de sen imen os p op iamen e di a. Após a ealização de uma e isão de alhada da
li e a u a do domínio, desen ol e am-se modelos baseados em léxicos e em
machine lea ning
que,
pos e io men e, o am aplicados num domínio de aplicação especí ico. Pa a a análise dos modelos oi
u ilizado um conjun o de dados em Po uguês Eu opeu, com classes não balanceadas. Adicionalmen e,
o am u ilizadas ou as écnicas pa a colma a a al a de equilíb io dos dados disponí eis.
PALAVRAS-CHAVE:
Análise de sen imen os, P ocessamen o de Linguagem Na u al,
Machine Lea ning
, Léxico, Análise de
Opiniões.
i
ABSTRACT
Sen imen Analysis in Tex ual Con en
In oday's wo ld, he low o da a on he web is g owing by he day. People ha e quick and easy access
o pla o ms ha allow hem o exp ess hei opinions on a wide a ie y o subjec s. These opinions, o en
exp essed in ex ual con en , a e a ich sou ce o in o ma ion o a wide ange o businesses. In his
con ex , sen imen analysis can add alue o da a analysis and decision-making p ocesses. Sen imen
analysis p o ides an expedien means o analyzing and e alua ing opinions, as well as in e ing he
sen imen hey exp ess. I 's a ask ha seems simple o he human eye, bu becomes ex emely
complica ed and challenging when assigned o a machine. This disse a ion explo es he p ocess o
sen imen analysis in all i s s ages, om da a p e-p ocessing and a ibu e ex ac ion o sen imen
classi ica ion i sel . A e a de ailed e iew o he li e a u e in he ield, models based on lexicons and
machine lea ning we e de eloped and hen applied o a speci ic applica ion domain. The models we e
analyzed using a Eu opean Po uguese da ase wi h unbalanced classes. In addi ion, o he echniques
we e used o o e come he lack o balance in he a ailable da a.
KEYWORDS
Sen imen Analysis, Na u al Language P ocessing, Machine Lea ning, Lexicon, Opinion Analysis.
xiii
LISTA DE ABREVIATURAS, SIGLAS E ACRÓNIMOS
AD Á o e de Decisão
AP Ap endizagem P o unda
AS Análise De Sen imen os
ASS Ap endizagem Semi-Supe isionada
BERT
Bidi ec ional Encode Rep esen a ions om T ans o me s
BoW
Bag o Wo ds
CBOW
Con inuous Bag o Wo ds
ML
Machine Lea ning
NV Naï e Bayes
OS
O e Sampling
PLN P ocessamen o de Linguagem Na u al
POS
Pa -o -Speech
RB Rede Bayesiana
RF
Random Fo es
RNAP Rede Neu onal De Ap endizagem P o unda
RNAs Redes Neu onais A i iciais
RNC Rede Neu onal Con olucional
RNR Redes Neu onais Reco en es
SA Seleção de A ibu os
SG
Skyp g am
SVM
Suppo Vec o Machine
TF-IDF
Te m F equency-In e se Documen F equency
US
Unde sampling

1
1. INTRODUÇÃO
1.1. Con ex ualização
As opiniões desempenham um papel impo an e na nossa ida quo idiana, uma ez que e a am, de
o ma di e a ou indi e a, o sen imen o de uma pessoa, pe mi indo melho a os p ocessos de omada de
decisão (Rajalakshmi e al., 2017). Com o c escimen o exponencial da ecnologia Web, e o ácil acesso
à In e ne , as comp as online êm indo a aumen a . A ualmen e, as pessoas exp imem as suas opiniões
e pa ilham as suas expe iências, o que impac a p o undamen e as a i udes de no os comp ado es na
aquisição de p odu os (Riaz e al., 2019). Po isso, as opiniões esc i as pelos u ilizado es em análises de
p odu os, se iços ou e en os, êm um g ande alo come cial. No en an o, o desa io é sabe como
p ocessa au oma icamen e a in o mação con ida nessas opiniões e o nece um esumo dos aspe os
mais ele an es daquilo que oi encon ado (Pe ei a, 2021). Essa in o mação pe mi e às emp esas aze
a moni o ização das endas dos seus p odu os e se iços, a p omoção de melho es elações com os
seus clien es, o desen ol imen o de melho es es a égias de ma ke ing e a melho ia dos seus p odu os
e se iços.
A análise de sen imen os (AS) pode ajuda bas an e na análise e a amen o dessas opiniões. Es a é uma
á ea de es udo que ambiciona encon a soluções compu acionais pa a ex ai e analisa as opiniões e
emoções das pessoas, sob e uma en idade ou assun o, bem como ca ac e iza os seus di e en es
aspe os, iden i icando o sen imen o exp esso nessas mesmas opiniões. Dada a o igem das opiniões
( edes sociais, blogs, si es de e-comme ce, ó uns, e c.), es as são ge almen e in o mais, podendo con e
calão, i onias, sa casmos, ab e ia u as ou
emo icons
, o que o na a sua análise ainda mais di ícil
(Pe ei a, 2021).
A AS em indo a ganha no o iedade nos úl imos anos, com alguma ele ância em e mos de aplicação,
não só nos campos da in es igação e do se o emp esa ial, mas ambém nou as á eas como a polí ica
e as o ganizações. Alguns es udos, po exemplo, u ilizam as publicações da ede social X (an igo Twi e )
pa a p e e os esul ados elei o ais (Bi jali e al., 2021). O c escimen o da in es igação nes a á ea é
e iden e nas úl imas décadas. Desde 2004, que a AS se o nou uma das á eas de in es igação mais
a i as e com maio c escimen o (Män ylä e al. 2018), ha endo cada ez mais a igos ocados na AS nos
2
úl imos anos. Como se pode obse a na Figu a 1, a AS em indo a ganha um in e esse c escen e de
aco do com o
Google T ends
1
Figu a 1 - E olução do ní el de in e esse na AS
Rela i amen e aos idiomas, a AS pa a a língua inglesa es á bas an e a ançada (L. Zhang e al., 2018).
No en an o, os u ilizado es de língua inglesa ep esen a am apenas ce ca de 25,9% dos u ilizado es da
In e ne em odo o mundo em ma ço de 2020
2
. O po encial pa a o desen ol imen o de aplicações que
en ol em AS, em di e en es línguas, é, pois, as o. Po ém, os ecu sos linguís icos disponí eis nou as
línguas ainda são limi ados. É o que acon ece com a língua po uguesa, uma das línguas mais aladas
no mundo, com ce ca de 290 milhões de alan es, ep esen ando o 5º luga nas línguas mais aladas na
web
3
. No Po uguês as p incipais écnicas u ilizadas são a adução au omá ica dos conjun os de dados
da língua-al o pa a inglês, com a subsequen e u ilização dos mé odos e ecu sos disponí eis pa a essa
língua, ou a u ilização de co pus pa alelos, que não eque em um sis ema de adução. Es as es a égias
êm e elado esul ados um pouco melho es con inuando, no en an o, a se limi ados (Pe ei a, 2021).
1
h ps:// ends.google.com/ ends/explo e?da e=all&q=%2Fm%2F0g57xn&hl=p -PT
2
Top Ten In e ne Languages in The Wo ld - In e ne S a is ics (in e ne wo lds a s.com)
3
Top Ten In e ne Languages in The Wo ld - In e ne S a is ics (in e ne wo lds a s.com)
3
1.2. Mo i ação e Obje i os
A AS é uma á ea bas an e ecen e, que es á em cons an e desen ol imen o. São cada ez mais as
abo dagens que su gem pa a esol e p oblemas que possam en ol e aplicações de AS. Com a p esen e
disse ação, p e endeu-se en ende e ap o unda os conhecimen os na á ea da AS, analisando e
implemen ando algumas das suas abo dagens e modelos de aplicação.
Nes e abalho, pa a além de se que e desen ol e compe ências numa á ea ão desa iado a e em
cons an e p og essão, ambém se p ocu ou es uda aplicações p á icas da AS e a sua impo ância na
e a digi al. Adicionalmen e, p e endia-se ambém a alia o uso da língua po uguesa no es udo ealizado,
já que é um idioma menos aplicado nes e domínio, o que, de ac o, se o nou desa iado . Em suma,
nes e abalho de disse ação p e endeu-se:
• emp eende um es udo exaus i o da li e a u a exis en e ace ca da AS;
• elenca as di e sas écnicas e abo dagens exis en es no meio;
• cons ui e desen ol e modelos de AS baseados em di e en es abo dagens;
• analisa de o ma c í ica os esul ados ob idos;
• iden i ica e enume a os desa ios ge ais da AS, e mais especi icamen e os da língua
po uguesa.
Em e mos ge ais, odos os obje i os o am alcançados. De ealça , que oi ei a uma e isão de li e a u a
mui o de alhada baseada num as o núme o de a igos, deb uçando-se sob e as écnicas a ualmen e
exis en es. Adicionalmen e, o am cons uídos modelos baseados em léxicos e em
machine lea ning
(ML). Após a cons ução e aplicação dos modelos ealizou-se uma análise c í ica dos mesmos eco endo
a mé icas como a exa idão, o
F1-sco e
e a sensibilidade. Tan o no momen o de e isão de li e a u a
como na ase da análise de esul ados o am iden i icados desa ios ge ais da AS e da língua po uguesa.
4
1.3. T abalho Realizado
Nes e abalho de disse ação ealizou-se, numa p imei a ase, uma e isão bibliog á ica, que cob iu
g ande pa e do p ocesso da AS. Fo am explo ados os di e en es ní eis da AS, as écnicas e as
e amen as mais u ilizadas no p é-p ocessamen o de dados, a o ma de ex ai e seleciona os a ibu os
do modelo de classi icação de sen imen os, as abo dagens exis en es e suas al e na i as. Po im,
enume a am-se sis emas e aplicações no domínio da AS, bem como, discu iu-se alguns dos aspe os
mais a ançados e desa ian es da á ea.
Es e abalho culminou na aplicação do conhecimen o adqui ido no desen ol imen o e aplicação de
alguns modelos de AS – um modelo baseado em léxicos e ou os baseados em ap endizagem
supe isionada. Es es modelos o am c iados pa a abalha em sob e um conjun o de dados ex aídos
de uma on e de in o mação online (T us pilo
4
) a a és de um p ocesso de
websc aping.
Pos e io men e,
os dados ex aídos o am p é-p ocessados, seguindo écnicas de P ocessamen o de Linguagem Na u al
(PLN), de o ma p epa á-los pa a os modelos. Na ase inal do p é-p ocessamen o oi ealizada uma
análise explo a ó ia dos dados e desen ol eu-se um sis ema de apoio à ges ão es a égica pa a o caso
de aplicação escolhido, a AS de c í icas ace ca de uma emp esa de enda de ma e ial in o má ico. Po
im, p ocedeu-se à análise dos modelos implemen ados, u ilizando mé icas adequadas, e es uda am-se
algumas o mas pa a melho a os p ocessos de AS implemen ados e elimina ou a enua algumas das
suas agilidades.
1.4. Es u u a da Disse ação
Pa a além do p esen e capí ulo, es a disse ação es á o ganizada da seguin e manei a:
- Capí ulo 2 – Análise de Sen imen os –, no qual se ap esen a uma e isão de li e a u a dos emas
a abo da , de o ma a melho se comp eende es a á ea de es udo, e expõe-se alguns dos
p ocessos da AS, bem como as abo dagens e écnicas usualmen e u ilizadas no seu domínio.
- Capí ulo 3 – Classi icação de Sen imen os –, capí ulo em que se explo am os di e en es modelos
de classi icação de sen imen os p esen es na li e a u a, as medidas de desempenho pa a
4
h ps://p . us pilo .com/
5
analisa os esul ados dos modelos, os sis emas e aplicações da AS e os seus ópicos a ançados
e desa ios.
- Capí ulo 4 – P epa ação do P ocesso de Análise –, no qual se ap esen a e analisa o conjun o de
dados selecionado pa a o p oje o, a me odologia de ex ação u ilizada, e o p ocesso de
a amen o e ans o mação de dados ealizado.
- Capí ulo 5 – Os Modelos de Análise –, capí ulo em que são analisados os modelos e as écnicas
selecionadas pa a es e abalho, explica-se o uncionamen o do sis ema desen ol ido e analisa-
se os esul ados ob idos.
- Capí ulo 6 – Conclusões e abalho u u o –, no qual se expõe algumas b e es conclusões ace ca
do abalho ealizado e suge e-se a ealização de algumas a e as pa a melho a o abalho
ealizado no âmbi o des a disse ação.

6
2. ANÁLISE DE SENTIMENTOS
2.1. Ní eis da Análise de Sen imen os
A AS pode se pensada a di e sos ní eis. Dependendo do obje i o de e-se op a po di e en es ní eis de
g anula idade. Po exemplo, A. e Sonawane (2016) , al como, Wankhade, Rao, e Kulka ni (2022),
conside am 4 ní eis de análise: documen o, ase, aspe o e pala a. No en an o, comummen e são
iden i icados apenas ês desses ní eis (Fang & Zhan, 2015; Medha e al., 2014): documen o, ase e
aspe o. Nes a disse ação apenas se ão analisados e u ilizados es es aspe os.
Ní el do Documen o
Ao ní el do documen o, num p ocesso de AS, p ocu a-se classi ica se a opinião, em odo o documen o,
e ela um sen imen o posi i o ou nega i o (Pang e al., 2002). Assim, endo, po exemplo, um ex o
con endo uma c í ica de um p odu o, o sis ema de AS i á de e mina se a opinião na sua gene alidade é
posi i a ou nega i a. Des a o ma, a classi icação de sen imen os assume que cada c í ica apenas
exp essa a opinião ace ca de uma en idade. Es e ní el de análise não pode se aplicado quando o
documen o se e e e a mais que uma en idade (Fang & Zhan, 2015). Na li e a u a do domínio,
conside ando-se que se consegue classi ica uma opinião como sendo biná ia (posi i a ou nega i a) ou
o diná ia (p.e. 1 a 5), pa e-se do seguin e p essupos o: a classi icação dos sen imen os p essupõe que
a opinião num dado documen o
d
(po exemplo, uma análise do p odu o) exp ime opiniões sob e uma
única en idade e con ém opiniões de um único i ula de opinião
h
(B. Liu, 2010).
Ní el da F ase
Na classi icação de sen imen os ao ní el da ase, usualmen e classi ica-se cada ase do documen o
como sendo posi i a, nega i a ou neu a (B. Liu, 2012). Es e ní el p ende-se mui o com a classi icação
da subje i idade, algo que se á explo ado pos e io men e. Em aços ge ais, nes e ipo de classi icação
p ocu a-se econhece as ases ( ases-al o) que exp essem pe spe i as subje i as e opiniões (chamadas
de ases subje i as) (Joshi e al., 2017).
A abo dagem mais ge al conside a a p ocu a da o ien ação sen imen al das pala as indi iduais numa
ase e, depois, a combinação dessas o ien ações com is a a de e mina o sen imen o de oda a ase,
7
No en an o, exis em ou as abo dagens que conside am a es u u a do discu so num de e minado ex o
(A. & Sonawane, 2016).
Ní el do Aspe o
Tan o os p ocessos de AS ao ní el do documen o como ao ní el da ase não de e minam, exa amen e,
aquilo que as pessoas gos a am ou não. Ao ní el do aspe o, o p ocesso de AS ealiza uma análise mais
e inada. Em ez de analisa as cons uções linguís icas (documen os, pa ág a os, ases ou o ações), ao
ní el do aspe o, o p ocesso analisa di e amen e a opinião em si, baseando-se na ideia de que uma
opinião é cons i uída po um sen imen o (posi i o ou nega i o) e um al o (de opinião). Uma opinião sem
o seu al o iden i icado, é uma opinião de u ilidade limi ada (B. Liu, 2012). Assim, num con eúdo ex ual
podem se iden i icados di e sos aspe os, sendo que pa a cada aspe o a classi icação do sen imen o
pode se dis in a. (Wankhade e al., 2022).
2.2. Recolha e P é-P ocessamen o de Dados
O p ocesso de ecolha de dados é o pon o de pa ida de um p ocesso de AS. Nes a p imei a e apa
p ocu a-se escolhe a melho o ma de anga ia os dados que se ão u ilizados na AS. Dependendo da
unção do p ocesso de AS a execu a , os dados ex uais podem se combinados com ou os ipos de
dados, como po exemplo ídeos, áudios, localizações, e c. (Wankhade e al., 2022). Po ou o lado, os
dados podem ad i de mui as on es, sendo ecolhidos, na gene alidade dos casos, a a és de API, ou
en ão, u ilizando-se p ocessos de
websc aping
. Nes e p ocesso, algumas das on es de in o mação mais
usuais são:
- As edes sociais - O c escimen o no ó io das edes sociais, como o X (an igo Twi e ), Amazon,
Ins ag am, Facebook, nas quais são discu idas di e sas emá icas, p odu os, e en os, e c.,
ge am um eno me olume de in o mação, que é um excelen e ecu so pa a a in es igação
académica e pa a as a i idades emp esa iais (Sun e al., 2017). Como a i ma Bing Liu, nos
úl imos anos, es emunhou-se que as publicações de opinião nas edes sociais ajuda am a
e o mula negócios e a in luencia os sen imen os e as emoções do público, impac ando
p o undamen e os sis emas sociocul u ais. Liu, ainda ac escen a, que as publicações opina i as
êm ambém mobilizado imensas pessoas pa a mudanças polí icas, como aquelas que
8
acon ece am em alguns países á abes em 2011 (B. Liu, 2012). Pos o is o, a AS o nou-se
essencial pa a analisa a in o mação que nelas é ge ada dia após dia.
- Os ó uns - Es es são u ilizados pelas pessoas pa a discu i em á ios ópicos, oca opiniões e
ideias e solici a assis ência a a és de mensagens de ex o. Os ó uns são uma on e
in e essan e pa a a AS de ido à al e ação cons an e da in o mação ge ada pelo u ilizado . Além
disso, os in es igado es podem e e ua p ocessos de AS em domínios especí icos, u ilizando os
ó uns como on e (Wankhade e al., 2022).
- Os blogues – Os blogues, ou Weblogs, o na am-se cada ez mais popula es nos úl imos anos.
Resumidamen e, um blogue é uma publicação na In e ne que pe mi e aos u ilizado es adiciona
con eúdo pe iodicamen e, no malmen e po o dem c onológica in e sa, de uma o ma
ela i amen e ácil (Chau & Xu, 2007). Os blogues combinam, de igual o ma, páginas Web
pessoais com ou os elemen os de e e enciação de dados de modo a acili a a ligação a ou as
páginas, bem como a publicação de comen á ios e e lexões pos e io es (Blood, 2004). Assim,
os blogs pe mi em que uma qualque pessoa exp esse as suas ideias e pensamen os. São um
ecu so mui o alioso pa a supo e à ealização de p ocessos de AS (Anne & Kond ak, 2008).
- Os Websi es de e-comme ce pe mi em aos seus u ilizado es ap esen a em as suas expe iências
de comp a e as suas opiniões ace ca da qualidade dos p odu os que adqui i am. Usualmen e,
pe mi em acolhe esumos dos p odu os adqui idos, e das suas ca ac e ís icas, bem como
a ibui classi icações ou pon uações a esses p odu os de aco do com alguns c i é ios. Os
u ilizado es podem acilmen e isualiza opiniões e in o mações de ecomendação sob e
p odu os, bem como sob e as suas ca ac e ís icas especí icas. Em Sai ee & Te aiya (2013) e
T ipa hi (2014) podem-se e alguns exemplos de websi es de e-comme ce mui o popula es, ais
como o amazon.com ou o ipad iso .com.
Após a seleção da on e de in o mação e dos dados a ecolhe é ealizado um p ocesso de p é-
p ocessamen o dos dados pa a que es es possuam qualidade pa a a c iação de classi icado es de
sen imen os con iá eis. O p é-p ocessamen o dos dados é o p ocesso de limpeza e p epa ação do ex o
pa a a ase de classi icação. Os ex os ecolhidos online são conhecidos po e em bas an e “ uído”, is o
é, pa es sem ele ância e bas an es e os o og á icos e g ama icais. Adicionalmen e, mui as das
pala as, dos ex os p o enien es dessas on es não possuem ele ância pa a a o ien ação semân ica do
9
con eúdo ex ual. Assim, se não o ei a uma limpeza dos dados ex aídos, o p ocesso de classi icação
se á mais di ícil de ealiza .
Em e mos ge ais, um p ocesso de p é-p ocessamen o de dados bem ealizado de e á eduzi o uído
no ex o, o que con ibui pa a melho a o desempenho do classi icado e acele a o p ocesso de
classi icação, le ando a uma melho AS de uma o ma global. Um p ocesso de p é-p ocessamen o de
dados ealiza-se em á ias e apas, que podem se di ididas, basicamen e, em e apas de ans o mação
e de il agem. As e apas de ans o mação que o am des acadas po Bi jali e al. (2021) e Haddi e al.
(2013) são:
- Tokenização - es e passo di ide o ex o em elemen os mais pequenos denominados okens
(po exemplo, documen o em ases ou ases em pala as);
- Remoção de
s op wo ds
- as
s op wo ds
são pala as que não con ibuem equen emen e
pa a a análise e, po isso, são emo idas an ecipadamen e (po exemplo, "o", "ao", "de").
- Ro ulagem de
Pa -o -Speech
(POS) - es a e apa econhece di e en es elemen os es u u ais
de um ex o, como e bos, subs an i os, adje i os ou ad é bios.
-
S emming
- es a é uma écnica usada pa a eduzi pala as à sua o ma base (ou aiz),
emo endo su ixos e p e ixos. Po exemplo, as pala as "co e ", "co ida" e "co edo " se iam
eduzidas a "co ".
- Lema ização - é a écnica de con e são de uma de e minada pala a numa o ma básica. É
semelhan e à écnica de
s emming
, exce o que a lema ização man ém a in o mação elacionada
com as pala as, como as e ique as PoS.
- T a amen o da negação - a negação consis e no uso de e mos de negação (e. g. “não”,
“nem”) que podem in e e a o ien ação semân ica de uma ase. No p é-p ocessamen o podem
se aplicadas di e sas me odologias pa a lida com es es e mos. Algumas écnicas passam pela
eliminação do p óp io e mo ou, em oposição, pela mudança da sua pola idade.
- Maiúsculas/Minúsculas - é comum con e e odas as le as maiúsculas em minúsculas.
Es a con e são pe mi e no maliza as pala as. Assim, e i a que pala as começadas po le a
maiúscula não sejam comp eendidas pelo algo i mo como pala as di e en es quando es ão
esc i as comple amen e em minúsculas.
16
Como se pode analisa pelo diag ama ap esen ado, no CBOW, as pala as com signi icado mais
p óximo são u ilizadas pa a p e e as pala as-al o, enquan o que, no Skip-g am, u iliza-se as
pala as-al o pa a p e e as pala as signi ica i as do con ex o (Kuma & Va dhan, 2022). Na Figu a
3 ap esen a-se um exemplo p á ico. A pala a al o nes e caso é “Si e” e o con ex o “Mui o”, “Di ícil”,
“De”, “U iliza ”. Po um lado, no CBOW, a pala a-al o “Si e” é p e is a u ilizando as pala as do
con ex o, enquan o no modelo SG p e ê-se as pala as do con ex o u ilizando a pala a-al o.
Figu a 3 - Exemplo do modelo
Wo d2Vec
(Mikolo e al., 2013).
- GloVe (Global Vec o s o Wo d Rep esen a ion). O GloVe oi desen ol ido po
Penning on, Soche , e Manning (2014) u ilizando um mé odo de ap endizagem não
supe isionada pa a ge a a inco po ação de pala as a pa i de uma ma iz de cooco ência
pala a-a-pala a de um co pus. O GloVe é um mé odo bas an e popula , uma ez que é simples
e ápido de eina (Wankhade e al., 2022). Segundo os au o es do modelo, as es a ís icas de
oco ências de pala as num co pus são a p incipal on e de in o mação disponí el pa a odos
os mé odos não supe isionados de ap endizagem de ep esen ações de pala as e, embo a
exis am mui os desses mé odos, a ualmen e emos di iculdades na o ma como o signi icado é
ge ado a pa i des as es a ís icas e, além disso, como os e o es de pala as esul an es podem
ep esen a esse signi icado. O mé odo desen ol ido pode se explicado a a és do seguin e
exemplo. Conside e-se duas pala as 𝑖 e 𝑗, 𝑖 = 𝑔𝑒𝑙𝑜 e 𝑗 = 𝑣𝑎𝑝𝑜𝑟. A elação en e es as
pala as pode se examinada es udando o ácio das suas p obabilidades de cooco ência com
á ias pala as-sonda, 𝑘. Pa a as pala as 𝑘 elacionadas com 𝑔𝑒𝑙𝑜, mas não com 𝑣𝑎𝑝𝑜𝑟,
digamos 𝑘 = 𝑠ó𝑙𝑖𝑑𝑜, espe a-se que o ácio 𝑃𝑖𝑘 /𝑃𝑗𝑘 seja g ande. Do mesmo modo, pa a
as pala as 𝑘 elacionadas com 𝑣𝑎𝑝𝑜𝑟, mas não com 𝑔𝑒𝑙𝑜, ou seja 𝑘 = 𝑔á𝑠, o ácio de e

17
se pequeno. Pa a pala as 𝑘 como á𝑔𝑢𝑎 ou 𝑚𝑜𝑑𝑎, que es ão elacionadas an o com 𝑔𝑒𝑙𝑜
como com 𝑣𝑎𝑝𝑜𝑟, ou com nenhum dos dois, o ácio de e se p óximo de um. A Tabela 7 mos a
es as p obabilidades e os seus ácios pa a um g ande co pus. Os núme os ap esen ados
con i mam as assunções ei as an e io men e. Em compa ação com as p obabilidades b u as, o
ácio pe mi e dis ingui pala as ele an es (𝑠ó𝑙𝑖𝑑𝑜 e 𝑔á𝑠) de pala as i ele an es (á𝑔𝑢𝑎 e
𝑚𝑜𝑑𝑎), bem como pe mi e disc imina as duas pala as ele an es. Assim, u ilizando o modelo
GloVe, pode-se conclui que o pon o de pa ida adequado pa a a ap endizagem de e o es de
pala as, de e se es abelecido com ácios de p obabilidades de cooco ência e não com as
p óp ias p obabilidades.
𝑃𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒 𝑒 𝑅á𝑐𝑖𝑜
𝑘=𝑠ó𝑙𝑖𝑑𝑜
𝑘=𝑔á𝑠
𝑘=á𝑔𝑢𝑎
𝑘=𝑚𝑜𝑑𝑎
𝑃(𝑘|𝑔𝑒𝑙𝑜)
1.9×10−4
6.6×10−5
3.0×10−3
1.7×10−5
𝑃(𝑘|𝑣𝑎𝑝𝑜𝑟)
2.2×10−5
7.8×10−4
2.2×10−3
1.8×10−5
𝑃(𝑘|𝑔𝑒𝑙𝑜)/𝑃(𝑘|𝑣𝑎𝑝𝑜𝑟)
8.9
8.5×10−2
1.36
0.96
Tabela 7 – Exemplo da aplicação do mé odo GloVe adap ado de Penning on e al. (2014).
- BERT (Bidi ec ional Encode Rep esen a ions om T ans o me s). O BERT oi um
modelo desen ol ido po De lin e al. (2019) pa a pe mi i p é- eina ep esen ações
bidi ecionais p o undas a pa i de ex o não o ulado. Ao con á io de modelos an e io es que
p ocessa am o con ex o de uma pala a apenas da esque da pa a a di ei a ou ice- e sa, o BERT
le a em conside ação an o o con ex o à esque da quan o à di ei a de cada pala a. Como
esul ado, o modelo BERT p é- einado pode se ajus ado com apenas uma camada de saída
adicional pa a c ia modelos de úl ima ge ação pa a uma as a gama de a e as, como a espos a
a pe gun as e a in e ência linguís ica, sem modi icações subs anciais na a qui e u a especí ica
da a e a (De lin e al., 2019). Es e modelo pode se u ilizado na ap endizagem p elimina
p o unda da ep esen ação bidi ecional de ex o, pa a pos e io u ilização em modelos de
ap endizagem au omá ica. Ao con á io de ou as écnicas de inco po ação, o BERT “en ende”
o con ex o e ge a uma inco po ação dinâmica das pala as num dado con ex o (Gomes e al.,
2023).
18
Seleção de a ibu os
A desc ição de uma peça de dados é ealizada a a és das suas ca ac e ís icas, dos seus a ibu os. Um
a ibu o pode se i ele an e, ele an e ou edundan e. A im de emo e ca ac e ís icas i ele an es e
edundan es, podem-se u iliza á ios mé odos de SA. A SA é um p ocesso de iden i icação e eliminação
de a ibu os excessi os e i ele an es pa a eduzi espaço dos a ibu os e ajuda a melho a a exa idão
da classi icação dos sen imen os (Ahmad e al., 2019).
Os mé odos de SA podem di idi -se em mé odos baseados em léxicos e mé odos baseados em
es a ís icas (H. Zhang e al., 2014). Nas abo dagens baseadas em léxicos, os a ibu os são ge ados po
humanos. Ge almen e o p ocesso inicia-se com a ecolha de e mos que possuem um sen imen o o e,
po o ma a cons ui um pequeno conjun o de a ibu os. Seguidamen e, es e conjun o é en iquecido
com ou os e mos a a és da de eção de sinónimos ou de ecu sos online. O pon o mais o e des as
abo dagens é a sua e icácia. A SA de o ma manual eduz a alha, mas o na o p ocesso mo oso e di ícil
(Bi jali e al., 2021). Po ou o lado, as abo dagens baseadas em es a ís icas são au omá icas e mais
u ilizadas na SA. Po ém, es as abo dagens alham mui as ezes na sepa ação dos a ibu os que
ca egam sen imen os dos que não possuem qualque sen imen o (Du ic & Song, 2012). As abo dagens
baseadas em es a ís icas são di ididas em qua o ca ego ias: il o, emb ulho, inco po ação e híb ido.
Obse e-se cada uma delas:
- Fil o. Es a é a écnica de SA mais equen emen e aplicada. Pe mi e seleciona os a ibu os
sem u iliza qualque écnica de ML, u ilizando an es as p op iedades ge ais dos dados de eino.
O a ibu o é classi icado u ilizando á ias mé icas es a ís icas. Em seguida, são escolhidos os
a ibu os com as classi icações mais ele adas. As mé icas são compu acionalmen e pouco
dispendiosas e adequadas pa a conjun os de dados com um ele ado núme o de a ibu os
(Wankhade e al., 2022). Algumas das mé icas co en emen e u ilizadas são: Rácio de
P obabilidades, Qui-Quad ado, Coe icien e de GSS, Sepa ação Bi-no mal, Di e ença de
Con agem, Qui-Quad ado Melho ado e C i é io Disc imina i o Rela i o Mul i a iado (Madasu &
Elango, 2020).
-
W appe
. Es a abo dagem depende de algo i mos de ML. A a aliação que ealiza do
subconjun o de a ibu os baseia-se no desempenho do algo i mo de ML que oi escolhido. O
ac o de depende do esul ado dos algo i mos o na es a me odologia ipicamen e i e a i a e
compu acionalmen e exigen e. No en an o, possui um bom desempenho na iden i icação dos
19
a ibu os que possuem melho es esul ados pa a cada algo i mo de modelação (Bi jali e al.,
2021). A abo dagem de emb ulho é uma combinação de algo i mos de ap endizagem, ais
como, Nai e Bayes (NB) ou
Suppo Vec o Machine
(SVM), e es a égias de ge ação de
subconjun os de a ibu os (seleção pa a a en e ou pa a ás) (Wankhade e al., 2022).
- Inco po ação. Os mé odos de inco po ação são mui o simila es aos mé odos de emb ulho.
Toda ia, es e ipo de abo dagem inco po a o p ocesso de SA na execução do algo i mo de
modelação. Des a ei a, u iliza algo i mos de classi icação que con êm a capacidade de SA (H.
Liu e al., 2019). Po conseguin e, é compu acionalmen e mais e icien e do que a abo dagem
an e io . No en an o, es a abo dagem é especí ica pa a o algo i mo de ap endizagem aplicado
(Hoque e al., 2014). As abo dagens de inco po ação baseiam-se em á ios ipos de algo i mos
de á o es de decisão, como o CART, C4.5 e ID3, pa a além de ou os algo i mos como o LASSO
(Bi jali e al., 2021).
- Híb ido. Es a écnica é uma combinação de abo dagens de il o e de emb ulho. Em ge al, os
mé odos híb idos combinam di e en es abo dagens pa a ob e o melho subconjun o de a ibu os
possí el. As abo dagens híb idas na sua gene alidade pe mi em alcança melho es
desempenhos e maio es p ecisões, uma ez que i am pa ido das ca ac e ís icas das
abo dagens combinadas (Bi jali e al., 2021).
2.4. Classi icação de Subje i idade
A AS pode se ei a ao ní el do documen o, sendo es e omado como opina i o na sua o alidade. No
en an o, a classi icação dos sen imen os ambém pode se aplicada ao ní el da ase. Nes a modalidade,
apenas as ases que são conside adas opina i as são idas em con a. A es e p ocesso de seleção do
con eúdo, chama-se classi icação de subje i idade. (B. Liu, 2010). Na classi icação de subje i idade
p ocu a-se dis ingui o con eúdo obje i o do subje i o. Po um lado, o con eúdo obje i o ap esen a
in o mação ac ual ace ca do mundo, enquan o que as ases subje i as exp essam sen imen os
pessoais, pon os de is a ou c enças (B. Liu, 2012).
O oco da classi icação da subje i idade é emo e os dados obje i os an es da classi icação de
sen imen os (Kamal, 2013). Des e modo, é conside ado po mui os o p imei o passo num p ocesso de
AS (Lig ha e al., 2021). A classi icação de subje i idade, como e e em Kasmu i e Basi on (2017),
20
p ocu a de e a
pis as de subje i idade
, pala as que ca eguem emoção ou subje i idade, como “ ácil”,
“ca o”, “pio ”, e com es as pis as dis ingui o con eúdo obje i o do subje i o.
Exis em di e sas o mas de ealiza a classi icação de subje i idade. Mui os es udos baseiam-se em
écnicas de ML, abo dagens baseadas em léxicos, ano ação manual, abo dagens semân icas e baseadas
em eg as. No es udo de e isão sis emá ica da li e a u a ealizado po Kasmu i e Basi on (2017),
e i ica-se que, nos a igos analisados, as abo dagens mais comuns são baseadas em ML e em léxicos.
Po um lado, u ilizando ML os dados são classi icados em classes subje i as e obje i as baseando-se em
ca ac e ís icas de inidas. A ap endizagem dos modelos pa a classi ica a subje i idade é ei a a a és de
modelos einados com algo i mos. Exis em ês g andes ipos de algo i mos de ap endizagem: algo i mo
de ap endizagem supe isionada; algo i mo de ap endizagem semi-supe isionada e algo i mo de
ap endizagem não-supe isionada. Pang e Lee (2004); Hasan e al. (2018) e Islam e al. (2018)
p oduzi am abalhos u ilizando a classi icação de subje i idade baseada em ML. Pa a além des es
mui os mais au o es u iliza am es a o ma de classi icação, sendo uma das mais u ilizadas no meio. Po
ou o lado, quando emos abo dagens baseadas em léxicos, os léxicos possuem pala as que se
encon am o uladas como posi i as ou nega i as ou posi i as, nega i as e neu as. Assim, cada oken é
compa ado com o léxico o ulado pa a ob e o alo de subje i idade. A subje i idade do documen o é
de e minada pelo alo ob ido. Alguns au o es como Ki i chenko, Zhu, e Mohammad (2014) e S oyano
e Ca die (2008) u iliza am es as écnicas nos seus es udos.
21
3. CLASSIFICAÇÃO DE SENTIMENTOS
Um dos passos mais impo an e, mui as ezes c í ico, na AS é a seleção de uma écnica adequada pa a
classi ica os sen imen os (Hemma ian & Soh abi, 2017). Po es e mo i o, os in es igado es p opõem,
a aliam e compa am cons an emen e di e en es abo dagens. O obje i o des e abalho é aumen a o
desempenho da AS e encon a soluções pa a os desa ios des a á ea. Além disso, a aplicação da AS em
no os domínios é um g ande incen i o à sua in es igação (Bi jali e al., 2021).
Figu a 4 - Taxonomia das écnicas de Classi icação de Sen imen os - imagem adap ada de Bi jali e al., 2021; C. N. Dang e
al., 2021
As écnicas de classi icação de sen imen os podem se di ididas, gene icamen e, em abo dagens de ML,
abo dagens baseadas em léxicos e abo dagens híb idas (Figu a 4) (Bi jali e al., 2021; Medha e al.,
2014; Rajalakshmi e al., 2017; Wankhade e al., 2022). O ML é a abo dagem mais u ilizada, que se
baseia em algo i mos de ML e em ca ac e ís icas linguís icas pa a e e ua a classi icação dos
sen imen os. As abo dagens baseadas em léxicos u ilizam um léxico de sen imen os que ep esen a uma
lis a de pala as e ases que são no malmen e u ilizadas pa a exp imi sen imen os posi i os ou

22
nega i os (Ju ek e al., 2015). Po im, as abo dagens híb idas, como o p óp io nome indicia, combinam
o ML e as abo dagens baseadas em léxico pa a melho a o desempenho da AS.
Assim, nes a secção p ocu a-se explica , ca ego iza , esumi e compa a as écnicas exis en es.
3.1. Abo dagens Baseadas em Léxicos
As abo dagens baseadas em léxicos, ambém designadas po abo dagens baseadas em conhecimen o,
são uma das duas p incipais abo dagens u ilizadas pa a a AS. Es e ipo de abo dagem eque e um
ecu so lexical designado po léxico de opinião (uma lis a p ede inida de pala as) que associa as pala as
à sua o ien ação semân ica como pala as nega i as, posi i as ou neu as. (Hu & Liu, 2004). Consoan e
a o ien ação da pala a é-lhe a ibuída uma pon uação que i á ep esen a a sua pola idade. A pala a
pode e a pola idade de + 1, 0, - 1 que ep esen a posi i o, neu o, nega i o, ou a pon uação pode se
a ibuída com base na in ensidade da pola idade e os seus alo es a iam en e [+ 1, - 1], em que + 1
ep esen a al amen e posi i o e - 1 ep esen a al amen e nega i o. Nes e ipo de abo dagem, pa a um
de e minado comen á io ou ex o, é ealizada a ag egação das pon uações de cada pala a, azendo-se
a soma das pon uações posi i as, nega i as e neu as de o ma sepa ada. Na ase inal, a pola idade
global é a ibuída ao ex o com base no alo mais ele ado das pon uações indi iduais. O documen o em
análise é p imei o di idido em pala as indi iduais, sendo depois a pola idade de cada pala a calculada
e ag egada no inal.
A écnica baseada em léxicos é ex emamen e iá el pa a a AS ao ní el da ase e do aspe o. Uma ez
que não são necessá ios dados de eino, es a écnica pode se designada como uma écnica não
supe isionada. Po ou o lado, a des an agem p imo dial des a écnica é a dependência no con ex o,
uma ez que as pala as podem e di e sos signi icados e sen idos, o que az com que uma pala a
num dado con ex o possa se posi i a e num ou o con ex o nega i a (Mo eo e al., 2012). Po exemplo,
conside e-se a pala a "al o" e as ases "O ní el de qualidade é al o" e "O p eço do elemó el é al o".
Na p imei a ase, a pala a "al o" é posi i a, já que as pessoas p ocu am semp e o maio ní el de
qualidade, enquan o na segunda ase a pala a é nega i a, dado que as pessoas p ocu am semp e o
meno p eço. Es e p oblema pode se ul apassado a a és do desen ol imen o de um léxico de
sen imen os especí ico pa a cada con ex o ou da adap ação de um ocabulá io exis en e. Alguns dos
léxicos mais conhecidos pa a a AS em con eúdos ex uais po ugueses são: OpLexicon, Dicioná io LIWC
(LIWC-PT), Sen iLex, e os conjun os de sinónimos com pola idade do On o.PT. O OpLexicon e o LIWC-PT
23
o am cons uídos endo po base o Po uguês do B asil, e o Sen iLex e os conjun os de sinónimos com
pola idades do On o.PT o am cons uídos pa a o Po uguês Eu opeu (Pe ei a, 2021).
A abo dagem manual eque a in e enção humana pa a ano a o léxico. A c iação de léxicos de
sen imen os di ide-se em duas ases: a ge ação da lis a de pala as com sen imen os e a a ibuição de
e ique as de sen imen os a essas pala as. Es e p ocesso é no malmen e mui o abalhoso, dispendioso
e mo oso, mas pode ge a um léxico consis en e e idóneo. Pa a acele a es e p ocesso, pode eco e -
se a abo dagens au oma izadas. Quando se eco e a abo dagens au oma izadas, apenas se ealizam
p ocedimen os de a aliação compa a i os ou minimização de e os de o ma manual.
Dicioná ios
A abo dagem baseada em dicioná ios consis e na u ilização de uma lis a p ede inida de pala as de
opinião ecolhidas manualmen e (Kai y & Balak ishnan, 2020). A u ilização des a abo dagem pa a
compila sen imen os é eco en e, dado que os léxicos con êm lis as de sinónimos. Assim, nos
dicioná ios pa e-se do p incípio de que pala as sinónimas possuem a mesma pola idade, enquan o as
pala as an ónimas êm pola idade opos a.
Numa abo dagem po dicioná ios, começa-se po c ia um pequeno conjun o de pala as, chamado de
lis a semen e, no qual são iden i icadas manualmen e algumas pala as de sen imen o que êm uma
o ien ação semân ica posi i a ou nega i a. De seguida, p ocu a-se aumen a o conjun o de pala as
a a és da pesquisa de sinónimos e an ónimos, das pala as do conjun o, em dicioná ios, ais como o
Wo dNe
(Mille e al., 1990), o Sen iWo dNe (Baccianella e al., 2010; Esuli & Sebas iani, 2006),
Sen icNe (Camb ia e al., 2020) ou MPQA (Wilson e al., 2005), en e ou os. Depois, as pala as
encon adas nes a e apa são adicionadas à lis a de semen e, iniciando-se a p óxima i e ação do algo i mo
de pesquisa. Es e p ocesso i e a a é não se de e a mais pala as no as (Hemma ian & Soh abi, 2017).
Numa úl ima e apa, pode se ei a uma a aliação ou co eção manual pa a ga an i a qualidade do
p ocesso.
24
Co pus
Es a écnica u iliza pad ões semân icos e sin á icos pa a de e mina o sen imen o p esen e numa ase.
Com es a écnica, começa-se com uma lis a de pala as de sen imen o semen e com o ien ação p é-
conhecida. De seguida, in es igam-se os pad ões sin á icos ou de cooco ência num co pus de g ande
dimensão, pa a descob i mais pala as com sen imen o e a sua o ien ação (Wankhade e al., 2022).
Na á ea da AS, a o ien ação semân ica de uma pala a depende do con ex o no qual nos encon amos.
Po an o, na compilação de um conjun o de pala as com pola idade, a abo dagem mais adequada pa a
a ob enção de pala as de opinião dependen es do con ex o é a baseada em co pus (Dolo es Molina-
González e al., 2015). Quando se p e ende adap a um léxico de sen imen os de uso ge al a um con ex o
especí ico, in eg ando lis as de pala as com opinião, eco e-se a uma abo dagem baseada num co pus
(Molina-González e al., 2013). Os p incípios básicos des a écnica o am p opos os po Ha zi assiloglou
& McKeown (1997). No es udo que ealiza am, es es au o es c ia am uma lis a de adje i os, com a
espe i a o ien ação, e, em seguida, de e mina am no os adje i os, jun amen e com a sua o ien ação,
u ilizando algumas es ições linguís icas. Nes e p ocesso, adicionalmen e, são aplicadas algumas eg as
às conjunções (p.e, “e”, “mas”, “ou”), que são apelidadas de consis ência do sen imen o. Uma das
eg as incide sob e a conjunção "e". Nes e caso, conside a-se que a junção dos adje i os, a a és da
conjunção, não al e a a sua o ien ação inicial. Tome-se po exemplo a ase "es e ilme é bom e
ca i an e". Nes a ase, a conjunção "e" az com que os dois adje i os "bom" e "ca i an e" se jun em, o
que, de aco do com a eg a ci ada, sendo a pala a "bom" omada como posi i a, " ca i an e" ambém
o se á, já que a o ien ação inicial é imu á el (B. Liu, 2012). Po ou o lado, conside ando a conjunção
“ou”, segundo o es udo, es a apon a á pa a uma mudança de o ien ação. Embo a es as eg as sejam
conhecidas como consis ência do sen imen o, na p á ica, não são ão consis en es como o desejado, já
que em alguns momen os as conjunções podem não e o e ei o que a eg a p e ê. A abo dagem baseada
no co pus pode se di idida em abo dagem es a ís ica ou semân ica. Veja-se cada uma des as
abo dagens:
- Abo dagem Es a ís ica. De uma o ma ge al, es a abo dagem baseia-se na ideia de que, se
uma pala a oco e com mais equência em ex os posi i os, en ão a sua pola idade é posi i a.
Ao passo que se oco e com mais equência em ex os nega i os, en ão a sua pola idade é
nega i a. Se as equências o em iguais, a a-se de uma pala a neu a. Os es udos de endem
que as pala as de opinião semelhan es apa ecem equen emen e jun as num mesmo co pus.
Po conseguin e, se duas pala as apa ecem equen emen e jun as no mesmo con ex o, é
25
p o á el que enham a mesma pola idade (Medha e al., 2014). Em suma, as pala as de
opinião êm ge almen e a mesma o ien ação, se su gi em jun as equen emen e no mesmo
con ex o.
- Abo dagem Semân ica. Es a abo dagem o nece di e amen e alo es às pala as de opinião
e baseia-se em á ios p incípios pa a calcula a semelhança en e pala as. Nes a écnica a ibui-
se alo es de sen imen o semelhan es a pala as seman icamen e p óximas. O Wo dNe , po
exemplo, pa a calcula pola idades o nece di e en es ipos de elações semân icas en e
pala as u ilizadas. Des a ei a, pode-se eco e a es e dicioná io pa a ob e uma lis a de
pala as de opinião, expandindo i e a i amen e o conjun o inicial com sinónimos e an ónimos e
de e minando depois a pola idade de uma pala a desconhecida a a és da con agem ela i a
de sinónimos posi i os e nega i os dessa pala a (S.-M. Kim & Ho y, 2004).
3.2. Abo dagens Baseadas em Machine Lea ning
Vejam-se ago a as abo dagens de ML. Es as são u ilizadas com o obje i o de classi ica a pola idade da
opinião (nega i a, posi i a ou neu a), com base em conjun os de dados de eino e de es e (Bi jali e
al., 2021). Essencialmen e, es as abo dagens di idem-se em ês ca ego ias (Figu a 5), nomeadamen e:
ap endizagem supe isionada, semi-supe isionada e não supe isionada (Hemma ian & Soh abi, 2017;
Lig ha e al., 2021). A abo dagem supe isionada aplica-se quando o p ocesso de classi icação possui
um conjun o especí ico de classes. No en an o, se o di ícil de e mina es e conjun o de ido à ausência
de dados o ulados, a abo dagem não supe isionada se á a opção. Al e na i amen e, a abo dagem semi-
supe isionada pode se u ilizada pa a conjun os de dados não o ulados que incluem alguns exemplos
o ulados.
As abo dagens de ML pe mi em a ap endizagem de pad ões especí icos de um domínio a pa i de um
ex o, o que conduz a melho es esul ados de classi icação. No en an o, o maio en a e nes as
abo dagens é que, mui as ezes, eque em g andes conjun os de dados de eino pa a ob e um bom
desempenho. Rele e-se, po ém, que um classi icado einado num conjun o de dados especí ico não
em um desempenho ão bom num ou o domínio (Aga wal, 2022; Yoo & Nam, 2018).
32
eque e menos es o ço humano e ga an e maio exa idão, pelo que são de g ande in e esse na á ea da
ex ação de opiniões (Hemma ian & Soh abi, 2017).
Sel - aining
Es a abo dagem é conside ada como um dos mé odos mais amosos e popula es en e os mé odos de
ASS, sendo aplicado eco en emen e em casos que en ol am g andes olumes de dados não o ulados,
como po exemplo publicações de edes sociais, como o X (an igo Twi e ) (Gao e al., 2014; He & Zhou,
2011; Hong e al., 2014). Os mé odos de
sel - aining
di idem-se, essencialmen e, em duas ases: num
p imei o momen o o classi icado é einado com um pequeno núme o de dados o ulados e numa
segunda ase, o classi icado einado classi ica á amos as de es e (não o uladas). As amos as de
es e que o em o uladas com a máxima iabilidade se ão adicionadas aos dados de eino. O
classi icado se á no amen e einado com o conjun o de odas as amos as de eino (incluindo as no as)
e o p ocesso se á epe ido. Des a o ma, o classi icado u iliza a sua p e isão pa a aumen a os seus
dados de eino. O modelo inal é es ado com os dados de es e (Hong e al., 2014). Uma abo dagem
sel - aining
modi ica o modelo com base nos seus esul ados. Assim, se o modelo ge a esul ados
e ados, a modi icação do modelo pode se ealizada de o ma inco e a. Os esul ados e ados de um
modelo in luenciam os modelos que dele deco em. Pa a a enua es e pon o aco, Hong e al. (2014)
p opuse am uma écnica de
sel - aining
compe i i a, na qual são desen ol idos ês modelos com base
nos esul ados, sendo escolhido o melho den o des es.
Ap endizagem
Mul i- iew
Na abo dagem
mul i- iew
, como o nome indicia, oma-se em conside ação múl iplos pon os de is a
pa a a a o p oblema da classi icação de sen imen os, ealizando-se a classi icação a a és da
conco dância en e os modelos (Su e al., 2012). Nes a abo dagem, cada classi icado é einado de
aco do com um único p incípio. Após o eino, os classi icado es são u ilizados pa a o ula as amos as
ainda não o uladas, que depois se ão adicionadas ao conjun o de eino, caso enham sido classi icadas
com ele ada iabilidade. Es a écnica é ge almen e aplicada a p oblemas que en ol am um g ande
núme o de a ibu os. Es a abo dagem pode se aplicada em p ocessos de AS que en ol am á ios
idiomas, uma p oblemá ica que em sido amplamen e in es igada nos úl imos anos (Hemma ian &
Soh abi, 2017). Y. Su e al. (2012) p opuse am uma abo dagem de ap endizagem
mul i- iew
pa a a
classi icação semi-supe isionada de sen imen os, u ilizando duas es a égias pa a ge a di e en es

33
pon os de is a: uma designada po es a égia de pa ição de a ibu os, que di ide o conjun o de a ibu os
em di e en es espaços disjun os, e ou a apelidada de adução de idiomas, que aduz o ex o o iginal
pa a ou os idiomas. Esses au o es aplica am o algo i mo de
co- aining
e consegui am ob e melho es
esul ados em compa ação com ou as abo dagens da li e a u a, como, po exemplo a de Dasgup a &
Ng (2009).
Co- aining
Es e mé odo oi desen ol ido po Blum & Mi chell (1998) e pa e do p incípio de que cada exemplo pode
se explicado po dois conjun os de a ibu os di e en es, que possuem in o mações dis in as e
complemen a es sob e cada amos a. No
co- aining
, exis em dois classi icado es dis in os que são
einados pa a se ensina em mu uamen e, ou, como o nome suge e, colabo a i amen e, com base na
in o mação pa ilhada en e eles du an e a ase de eino. A ase de eino é compos a po á ias
i e ações. A cada i e ação são adicionadas as ins âncias classi icadas com maio con iança po cada um
dos classi icado es ao conjun o de dados
de eino, ob endo-se, des e modo, um g ande conjun o de
dados de eino. A ase de eino e mina quando odos os dados não o ulados i e em sido u ilizados
ou quando o a ingido um núme o especí ico de i e ações (Sil a e al., 2016). Yu (2014) analisou o
co-
aining
de o ma minuciosa, discu indo es a égias pa a a AS em ês domínios: a igos de no ícias,
c í icas online e publicações em blogues.
Gene a i o
O mé odo gene a i o é um dos pionei os na ASS. Nes e mé odo, assume-se que dados de di e en es
ca ego ias seguem dis ibuições di e en es. P e e encialmen e, os pa âme os pa a a dis ibuição das
di e en es ca ego ias são es imados quando exis e pelo menos um egis o o ulado pa a cada uma delas.
Mui os dados não o ulados podem con ibui pa a uma es ima i a mais exa a das dis ibuições (Han e
al., 2020). Em Mesnil e al. (2015), os au o es p opuse am um sis ema combinado compos o po ês
modelos de base, sendo um deles baseado numa abo dagem gene a i a. Cada um des es ês modelos
con ibui pa a o sucesso do sis ema global. O sis ema desen ol ido ap esen ou um ele ado desempenho
no conjun o de dados de c í icas de ilmes IMDB.
34
G a os
Nes a abo dagem u ilizam-se es u u as de g a os pa a acolhe os dados. Os é ices do g a o ilus am
as ins âncias (po exemplo, ases ou pala as), enquan o as a es as desc e em a semelhança en e as
ins âncias. As ins âncias o emen e conec adas endem ge almen e a pe ence à mesma classe
(Hajmohammadi e al., 2015). Dada a u ilização eco en e des a abo dagem em mui os es udos,
a es ou-se a sua ele ada e icácia em a e as de PLN, como a AS (Xing e al., 2018). Na li e a u a podem-
se encon a á ios exemplos des e ipo de abo dagem, dos quais des acam-se
G aph Mincu
(Blum &
Chawla, 2001),
Label P opaga ion
(Khan e al., 2014),
Spec al G aph T ansduce
(Joachims, 2003),
Mani old Regula iza ion
(Belkin e al., 2006) e
Modi ied Adso p ion
(Talukda & C amme , 2009). Wang
e al. (2011) u iliza am uma abo dagem baseada em g a os pa a analisa as
hash ags
p esen es em
publicações da ede social X, pa a in e i em o sen imen o exp esso na publicação a a és das
hash ags
p esen es.
Ap endizagem Não supe isionada
Exis em mui as on es de dados sob e as quais se podem aplica p ocessos de AS. No en an o, es as
on es usualmen e não es ão o uladas. O p ocesso de o ulação é ei o manualmen e o nando-o exigen e
e mo oso. Como al, as écnicas não supe isionadas são uma boa al e na i a pa a os casos em que a
o alidade dos dados não es ão o ulados.
As écnicas não supe isionadas baseiam-se no
clus e ing
. O
clus e ing
em como obje i o iden i ica
pad ões nos dados, o ganizando-os em
clus e s
dis in os nos quais os memb os pa ilham semelhanças
sob uma pe spe i a especí ica. Nesse sen ido, os dados den o de um mesmo
clus e
são mais
semelhan es en e si do que com os dados de ou os
clus e s
. A medida de semelhança é
equen emen e baseada em dis ância, ou seja, amos as que es ão mais p óximas en e si são
ag upadas no mesmo
clus e
. Po exemplo, quando se aplica o
clus e ing
em documen os, a p oximidade
de dois documen os da amos a pode se de e minada com base no núme o de pala as em comum
(Hemma ian & Soh abi, 2017).
35
As écnicas de
clus e ing
podem se di ididas em duas g andes ca ego ias:
-
Clus e ing
Hie á quico. Os mé odos hie á quicos c iam uma decomposição hie á quica
de um conjun o de dados que é ep esen ado po
clus e s
em “ninho”, is o é, g upos que
possuem subg upos. Es es
clus e s
es ão o ganizados em o ma de á o e (G. Li & Liu,
2014). As écnicas hie á quicas podem se di ididas em duas es a égias baseando-se na
sua es u u a, o
clus e ing
aglome a i o e di isi o (Mu agh & Con e as, 2012). O
clus e ing
di isi o, ambém designado po abo dagem descenden e, pa e de um
clus e
indi idual que
ag upa odos os dados. De seguida, o
clus e
inicial é di idido em sub-
clus e s
a a és de
um p ocesso ecu si o, baseado na semelhança en e os dados. Po ou o lado, o
clus e ing
aglome a i o ou abo dagem ascenden e, conside a que cada dado singula az pa e de um
só
clus e
. Du an e o p ocesso, os
clus e s
que con ém dados semelhan es são undidos. O
algo i mo e mina quando não hou e mais semelhanças en e os dados, podendo, o
esul ado, se um só
clus e
ou um conjun o deles.
- Clus e ing po Pa ição. Os mé odos de pa ição p ocu am di idi os dados num
conjun o de
clus e s
não sob epos os, em que cada elemen o é a ibuído a apenas um
clus e
(Cui e al., 2005). Es a pa ição baseia-se num c i é io de semelhança que, em ge al,
é a dis ância euclidiana en e elemen os. Dados do mesmo
clus e
possuem uma dis ância
pequena en e si, ao con á io de dados de di e en es
clus e s
. O algo i mo de pa ição mais
popula é o algo i mo
k-means
e as suas a ian es. Riaz e al. (2019) aplica am es e amoso
algo i mo ao ní el da ase em opiniões de clien es com o obje i o de en ende a p e e ência
do clien e dadas as suas exp essões subje i as. Os algo i mos de
clus e ing
de pa ição são
idos como mais adequados pa a lida com g andes conjun os de dados em elação aos
hie á quicos, de ido aos seus equisi os compu acionais ela i amen e baixos (Huang, 2008)
Ap endizagem P o unda
A aplicação da ap endizagem p o unda (AP) baseada em Redes Neu onais A i iciais (RNAs) o nou-se
mui o popula nos úl imos anos. De o ma esumida, a AP u iliza uma “casca a” de á ias camadas de
unidades de p ocessamen o não linea es pa a a ex ação e ans o mação de a ibu os. As camadas
in e io es, p óximas da en ada de dados, ap endem os a ibu os mais simples, enquan o as camadas
supe io es ap endem a ibu os mais complexos p o enien es da camada in e io . Assim, com a AP é
36
possí el eina modelos mais complexos com conjun os de dados maio es, ob endo bons esul ados
(Bi jali e al., 2021).
Na Figu a 7 pode-se e um exemplo de AP que e ela a hie a quia dos a ibu os, da esque da (uma
camada in e io ) pa a a di ei a (uma camada supe io ), no qual se u ilizou AP na classi icação de imagens
de os os. A e olução da ap endizagem ai aumen ando de complexidade, de camada pa a camada,
iniciando-se na esque da po manchas/bo das e e oluindo pa a na izes/olhos/bochechas a é na úl ima
camada possui mos os os os.
Figu a 7 - Exemplo de Ap endizagem P o unda, adap ado de Lee e al. (2009)
Nos úl imos anos, os modelos de AP êm sido amplamen e aplicados no domínio da PLN, e elando bons
esul ados. Fo am em empos colocadas o a de hipó ese pelos seus ele ados cus os compu acionais.
Nes e momen o, de ido aos a anços a ní el do
ha dwa e
e ao eno me olume de dados de eino
disponí eis encon am-se em oga (L. Zhang e al., 2018).
De seguida, de o ma sucin a, desc e em-se as p incipais a qui e u as de AP que podem se aplicadas
na classi icação de sen imen os, nomeadamen e as Redes Neu onais de AP, as Redes Neu onais
Con olucionais e as Rede Neu onais Reco en es (Bi jali e al., 2021).
37
A ede neu onal de ap endizagem p o unda (RNAP) é uma RNA com á ias camadas ocul as, en e a
camada de en ada e a camada de saída de dados. A camada de en ada inclui os dados de en ada,
enquan o que as camadas ocul as são compos as po nós de p ocessamen o, conhecidos po neu ónios,
e a camada de saída comp eende um ou á ios neu ónios, u ilizados pa a p oduzi os esul ados da
ap endizagem da ede (N. C. Dang e al., 2020).
A RNAP u iliza modelos ma emá icos so is icados e o pode de ap endizagem das RNA pa a encon a a
elação co e a, que es a seja linea ou não, o que pe mi e con e e uma en ada numa saída. O
p ocesso de luxo das RNAs e, consequen emen e, das RNAPs pode se classi icado como p og essi o
ou eg essi o. As RNAs p og essi as são edes simples, pelo que são adequadas pa a a classi icação de
sen imen os, enquan o que as edes eg essi as são mais complexas e equen emen e u ilizadas em
p oblemas de eg essão, como a p e isão de alo es con ínuos ou sé ies empo ais (L. Zhang e al.,
2018).
Po sua ez, uma ede neu onal con olucional
5
(RNC) é uma a ian e de uma ede neu onal p og essi a,
que, o iginalmen e, oi u ilizada em domínios como a isão compu acional, sis emas de ecomendação
ou o PLN. T a a-se de uma a qui e u a de RNAP, no malmen e compos a po camadas con olucionais e
de ag upamen o, ou subamos agem pa a o nece en adas a uma camada de classi icação o almen e
ligada. Po um lado, as camadas de con olução il am as suas en adas pa a ex ai a ibu os (e. g.,
inco po ação de pala as na classi icação de sen imen os), podendo os esul ados dos á ios il os
se em combinados. As camadas de ag upamen o ou de subamos agem eduzem a esolução dos
a ibu os, o que ajuda a o alece a obus ez da RNC ela i amen e ao uído e à dis o ção dos dados. As
camadas o almen e ligadas e e uam a e as de classi icação. (N. C. Dang e al., 2020). Y. Kim (2014)
aplicou uma RNC alice çado na écnica de ex ação de a ibu os Wo d2Vec, concluindo que o p é- eino
não supe isionado de e o es de pala as é um ing edien e impo an e na AP pa a o PLN.
Ou o modelo baseado em RN são as edes neu onais eco en es (RNR). Nes e modelo u iliza-se uma
célula de memó ia pa a p ocessa uma sequência de en adas. Com is o, a capacidade das RNR de
cap u a e memo iza in o mações sob e uma sequência longa az com sejam u ilizadas em a e as de
5
A pala a "con olu ional" e e e-se a uma ope ação especí ica na á ea de p ocessamen o de imagens e de edes neu ais.
Em po uguês, ela é comumen e aduzida como "con olucional", de ido à sua na u eza écnica, man endo a o ma o iginal
da mesma.

38
PLN, como a AS. Nas RNRs o esul ado depende de oda a compu ação an e io . Is o signi ica que, pa a
p e e a pala a seguin e numa ase, o modelo u iliza odos os es ados das pala as an e io es e a
elação en e elas (Bi jali e al., 2021). Um dos abalhos mais ci ados das RNRs é o da Memó ia de
Cu o P azo, ap esen ado po Hoch ei e & Schmidhube (1996). Es e modelo é aplicado em di e sos
domínios, como, po exemplo na ge ação de ex o, adução au omá ica e econhecimen o de ala.
3.3. Abo dagens Híb idas
As abo dagens híb idas são cons i uídas po me odologias que unem mé odos dis in os da classi icação
de sen imen os, po o ma a ob e melho es esul ados. Na li e a u a su gem mui os exemplos de
abo dagens híb idas que undem écnicas e que conseguem ob e melho es esul ados do que as
mesmas écnicas isoladamen e. Po exemplo, Rehman e al. (2019) p opuse am um modelo híb ido
pa a AS. O modelo que conjugou a RNC e a Memó ia de Cu o P azo e e um desempenho mui o bom,
em e mos de exa idão em dois conjun os de dados de e e ência de c í icas de ilmes, em compa ação
com os modelos em sepa ado. Po sua ez, o modelo
CNN-LSTM
híb ido que oi p opos o alcançou 91%
de exa idão em compa ação com os modelos adicionais de ML e de AP. Também Khan e al. (2014)
desen ol e am um no o algo i mo pa a a AS no X, baseado numa classi icação de ês ias e
inco po ando uma o ma melho ada de análise de emo icons, a análise
Sen iWo dNe
e um classi icado
de pola idade melho ado, que u iliza uma lis a de pala as posi i as/nega i as. Os esul ados e ela am
g andes melho ias em compa ação com abalhos semelhan es. Es es ob i e am uma exa idão média
de 85,7%, com 85,3% de p ecisão e 82,2% de sensibilidade. Po im, Appel e al. (2016) ap esen a am
uma abo dagem híb ida ao ní el da ase, que u ilizou um léxico de sen imen os melho ado com o auxílio
da
Sen iWo dNe
e com conjun os di usos, pa a es ima a pola idade da o ien ação semân ica e a sua
in ensidade pa a as ases. O mé odo híb ido p opos o oi aplicado a ês conjun os de dados di e en es.
Os esul ados desse mé odo o am compa ados com os que o am ob idos u ilizando as écnicas NB e
En opia Máxima, demons ando que a abo dagem híb ida e a, assim, mais exa a e p ecisa do que as
écnicas conco en es, em pa icula quando es as úl imas e am u ilizadas isoladamen e.
39
3.4. Medidas de Desempenho
En e as écnicas mais u ilizadas pa a a alia e esumi o desempenho de um modelo de classi icação,
encon am-se as Ma izes de Con usão, a
Recei e Ope a o Cha ac e is ic
(ROC) e a
A ea Unde he
Cu e
(AUC) (Bi jali e al., 2021). Uma ma iz de con usão básica é uma ma iz 2 po 2, con o me
ap esen ado na Tabela 8, que esume o núme o de amos as co e as e inco e as p e is as po um
classi icado , na qual:
- VP ep esen a o núme o de amos as posi i as, que são p e is as co e amen e como posi i as
pelo classi icado .
- FP ep esen a o núme o de amos as nega i as, que são p e is as inco e amen e como posi i as
pelo classi icado .
- FN ep esen a o núme o de amos as posi i as, que são inco e amen e p e is as como
nega i as pelo classi icado .
- VN ep esen a o núme o de amos as nega i as, que são co e amen e p e is as como nega i as
pelo classi icado .
Es es núme os são mui o ú eis pa a algumas medidas de desempenho, nomeadamen e pa a aquelas
que es ão ap esen adas na Tabela 9.
Ma iz de Con usão
Valo Real
Posi i o
Nega i o
Valo P e is o
Posi i o
VP (Ve dadei o Posi i o)
FP (Falso Posi i o)
Nega i o
FN (Falso Nega i o)
VN (Ve dadei o Nega i o)
Tabela 8 - Ma iz de Con usão
40
Mé ica
Desc ição
Fó mula
A aliação
Exa idão
A exa idão é a mé ica mais
u ilizada nos p oblemas de
classi icação e ep esen a o
ácio en e os exemplos
co e amen e p e is os e o
núme o o al de exemplos.
Pode-se ob e o e o,
aplicando
1 − 𝑒𝑥𝑎𝑡𝑖𝑑ã𝑜
𝑉𝑃+𝑉𝑁
𝑉𝑃+𝑉𝑁+𝐹𝑃+𝐹𝑁
A exa idão é uma boa
escolha pa a a classi icação
de sen imen os no ML
quando as classes no
conjun o de dados são quase
equilib adas.
P ecisão
A p ecisão ep esen a a
p opo ção de amos as que
o am co e amen e p e is as
como posi i as em elação ao
núme o o al de amos as
posi i as p e is as.
𝑉𝑃
𝑉𝑃+𝐹𝑃
Es a mé ica é adequada
pa a p oblemas em que a
p e isão de e se iá el.
Sensibilidade
A sensibilidade é de inida
como a p opo ção de
amos as que o am
co e amen e p e is as como
posi i as em elação a odas
as amos as posi i as. Assim,
mede-se a classi icação
inco e a do modelo.
𝑉𝑃
𝑉𝑃+𝐹𝑁
Ao con á io da p ecisão, a
sensibilidade pode se
u ilizada em p oblemas em
que há uma classe
p edominan e.
F1-sco e
A pon uação F1 é um
núme o en e 0 e 1 que
ajuda a medi an o a
p ecisão como a
sensibilidade, calculando a
média ha mónica des as
duas mé icas.
2∗𝑝𝑟𝑒𝑐𝑖𝑠ã𝑜∗𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒
𝑝𝑟𝑒𝑐𝑖𝑠ã𝑜+𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑𝑒
Uma ez que não é ácil
compa a dois classi icado es
com ele ada sensibilidade e
baixa p ecisão ou ice- e sa,
a
F1-sco e
pode se a cha e
pa a es e p oblema. A
F1-
sco e
ge e a compensação
pa a um modelo que eque
uma p e isão p ecisa e a
escolha de uma classe
dominan e.
Especi icidade
A especi icidade ep esen a o
opos o da sensibilidade.
𝑉𝑃
𝑉𝐹+𝐹𝑃
Es a mé ica pode se
u ilizada pa a consolida a
p ecisão.
Tabela 9 – Medidas de desempenho Fon e: Bi jali e al. (2021)
41
3.5. Sis emas e Aplicações
A AS en a desc e e e a alia os sen imen os exp essos sob e ques ões de in e esse dos u ilizado es da
Web
. Es as ques ões podem inclui ma cas ou p odu os, mas ambém ou os emas, como assun os
sociais, polí icos, económicos e cul u ais. De seguida, abo dam-se algumas das á eas de aplicação da
AS:
-
Business In elligence.
Nes e campo as emp esas podem explo a os esul ados da AS pa a
melho a os p odu os, es uda o eedback dos clien es ou ado a uma no a es a égia de ma ke ing.
Assim, analisa as pe ceções dos clien es sob e p odu os ou se iços é a aplicação mais comum da
AS nes e amo. No en an o, es as análises não são aplicá eis apenas às emp esas p odu o as, mas
aos clien es ambém, já que as podem u iliza pa a compa a p odu os e oma decisões mais
ace adas (Bi jali e al., 2021).
- Me cado de ações. Uma das aplicações da AS é a p e isão do p eço das ações. Es a pode se
e e uada a a és da análise de no ícias sob e o me cado de ações e da p e isão das endências do
p eço das mesmas. Os dados podem se ecolhidos de á ias on es, como o X, no ícias, blogues,
e c. As no ícias posi i as endem a conduzi a uma endência ascenden e, enquan o as no ícias
nega i as endem a conduzi a uma endência descenden e do p eço das ações (Wankhade e al.,
2022).
- In eligência go e namen al. Pa a além dos comen á ios sob e a comp a e enda de bens, com
a u ilização gene alizada e ab angen e dos se iços da in e ne pelas pessoas, os u ilizado es
começa am ambém a comen a á ias ques ões polí icas, sociais, eligiosas e cul u ais. A ecolha e
a análise des es comen á ios ajudam de o ma signi ica i a os polí icos, os ges o es sociais ou
a i is as eligiosos e cul u ais a oma decisões adequadas pa a melho a a ida social da
comunidade. Uma das aplicações mais signi ica i as nes es domínios é a das eleições polí icas,
ha endo di e sos es udos que en am p e e as mesmas (Hemma ian & Soh abi, 2017).
48
4.4. T a amen o e ans o mação dos dados
O a amen o e ans o mação dos dados é um dos p ocessos mais impo an es da AS e consis e na
p epa ação dos dados pa a a sua u ilização nos modelos de AS. O bom desempenho de um modelo em
classi ica as opiniões es á es i amen e elacionado com um p é-p ocessamen o de dados bem
es u u ado e bem aplicado,
O p ocesso de p é-p ocessamen o de dados que oi ado ado encon a-se ep esen ado na Figu a 8. As
a e as de inidas pa a es e p ocesso o am de e minadas de aco do com a li e a u a que oi explo ada
an e io men e, no Capí ulo 2. No caso em es udo p ocu ou-se u iliza as a e as que melho se aplica am
ao conjun o de dados em mãos. No im do p é-p ocessamen o dos dados, espe a-se que os dados
es ejam uni o mizados, sem uído e es u u ados, melho ando, assim, odo o p ocesso u u o da
classi icação das opiniões. De seguida ap esen a-se com mais de alhe cada uma das a e as de inidas
nes e p ocesso.
Figu a 8 – As a e as do p ocesso de p é-p ocessamen o de dados
T ans o mação da coluna classi icação
Como se pode e , os dados ex aídos possuem a classi icação no o ma o “Classi icada [núme o de
es elas a ibuídas] em 5 es elas”. Nes a a e a oi selecionado apenas o núme o de es elas a ibuídas,
que oi a mazenado como núme o in ei o. Os esul ados da ans o mação que oi ealizada pa a a
coluna es ão ap esen ados na Tabela 14.

49
Classi icação O iginal
Classi icação Modi icada
Classi icada 1 em 5 es elas
1
Classi icada 2 em 5 es elas
2
Classi icada 3 em 5 es elas
3
Classi icada 4 em 5 es elas
4
Classi icada 5 em 5 es elas
5
Tabela 14 - T ans o mação da coluna classi icação
É impo an e ele a o signi icado que cada classi icação em. Na Tabela 15 em-se a co espondência
es abelecida, na qual o alo ‘1’ p essupõem uma opinião “Mui o Nega i a” e o alo ‘5’ uma opinião
“Mui o Posi i a”.
Classi icação
Rep esen ação
1
Mui o Nega i a
2
Nega i a
3
Neu a
4
Posi i a
5
Mui o Posi i a
Tabela 15 – Co espondência das classi icações
Aquando da e isão bibliog á ica oi en endido que, na g ande gene alidade dos casos, os modelos são
einados pa a classi ica os con eúdos ex uais em apenas 3 ou em 2 classes. Segundo Subhashini e
al. (2021), 83% dos a igos publicados na classi icação de sen imen os u iliza am uma escala biná ia,
enquan o que os es an es 17% u iliza am uma escala com 3 classes. No en an o, nes e abalho,
p e endeu-se explo a a possibilidade de aumen a o núme o de classes, analisando a eação dos
modelos u ilizados. Não obs an e, sabe-se que o desempenho dos modelos se á di e en e, dependendo
do núme o de classes a u iliza . Quan as mais classes exis i em, maio é a p obabilidade de o
classi icado e a , enquan o que um núme o meno de classes aumen a essa mesma p obabilidade.
Des e modo, o am c iados dois conjun os de dados dis in os. Um conjun o de dados que inclui odas as
classes e um ou o conside ando apenas 3. Pa a se c ia o conjun o com 3 classes, con e eu-se as
classes nega i as numa classe e as classes posi i as nou a, pe manecendo a classe neu a inal e ada.
Assim, ago a as classes 1 e 2 são ans o madas na classe -1, as classes 4 e 5 na classe 1, e, po úl imo,
a classe 3 em 0. Des a o ma, ob e e-se a dis ibuição de classes que es á ap esen ada na Tabela 16.
50
As es an es a e as do p é-p ocessamen o o am aplicadas de igual modo pa a os dois conjun os de
dados.
Classi icação
Rep esen ação
F equência
-1
Nega i a
5210
0
Neu a
1336
1
Posi i a
44292
Tabela 16 – Dis ibuição das opiniões po classes
Sepa ação de Pala as
Ao aze -se a análise das opiniões encon a am-se di e sos casos nos quais as pala as es a am unidas,
que po mo i os de pon uação ou simplesmen e po que não inham um espaço en e elas. Quando se
obse am es as pala as, pa ece não ha e en a es na pe ceção das mesmas. Po ém, pa a os sis emas
es as pala as são conside adas como pala as únicas e ac escem à dimensão do ocabulá io. E isso é,
ob iamen e, um p oblema.
Vejam-se alguns exemplos:
1.
Simplesmen e op Comp ei dois a igos supe ou comple amen e as minhas expec a i as En io ex emamen e
ápido!Mui o bem cuidado e selado!Fa ei mais comp as nes a loja ga an idamen e
2.
Mui o empo de espe a pa a le an amen o de encomenda já pagaDe e ia de ha e um mé odo mais céle e
pa a es e se iço
No p imei o exemplo as pala as encon am-se unidas pelos pon os de exclamação. Já no segundo
exemplo, as pala as es ão simplesmen e unidas, es ando a p imei a le a da segunda pala a em
maiúscula. As pala as que oco em nes es dois exemplos o am sepa adas po di e en es eg as. Pa a
os casos idên icos ao p imei o exemplo o am ac escen ados espaços jun o das pon uações. Já nos
casos idên icos ao segundo exemplo, localizou-se os e mos que possuem a es u u a
minúsculas –
maiúscula – minúsculas
e sepa ou-se as pala as quando su gia a le a maiúscula. Após a aplicação
dessas eg as, ob e e-se os seguin es esul ados com os dois exemplos an e io men e ap esen ados:
51
1.
Simplesmen e op Comp ei dois a igos supe ou comple amen e as minhas expec a i as En io ex emamen e
ápido ! Mui o bem cuidado e selado ! Fa ei mais comp as nes a loja ga an idamen e
2.
Mui o empo de espe a pa a le an amen o de encomenda já paga De e ia de ha e um mé odo mais céle e
pa a es e se iço
Es a a e a e e um impac o eno me na dimensão do ocabulá io, eduzindo-o pa a 30654 pala as, o
que ep esen a uma edução de 43% da dimensão do ocabulá io inicial.
T ans o mação em Minúsculas
Uma das a e as indispensá eis no a amen o de con eúdos ex uais é a passagem de odos as pala as
pa a minúsculas. Uma a e a simples, mas indispensá el. A sua ealização é necessá ia uma ez que
uma mesma pala a com le as maiúsculas é is a de o ma dis in a da mesma pala a com le as
minúsculas. Es a a e a de e se execu ada na al u a co e a, já que a p ese ação da esc i a pode se
ú il. Pa a en ende isso, bas a analisa os exemplos an e io es, nos quais a p ese ação das maiúsculas
pe mi iu sepa a pala as e ga an i a melho qualidade dos dados. A passagem pa a minúsculas é
e a ada no exemplo ap esen ado na Tabela 17.
Opinião O iginal
T ans o mação em minúsculas
Di e o , ápido , e icaz . Excelen e modelo de negocio .
di e o , ápido , e icaz. excelen e modelo de negocio .
Tabela 17 - T ans o mação em minúsculas
Tokenização
A okenização é uma a e a simples, que, basicamen e, sus en a a di isão das ases de um ex o em
okens
.
Es a di isão é impo an e pa a que no u u o se consigam aplica écnicas de ex ação de
a ibu os, como aquela que pode se ealizada com o Wo d2Vec
(Mikolo e al., 2013). No caso em
es udo, u ilizou-se a biblio eca spaCy (Honnibal e al., 2020), que ap esen a di e sas e amen as pa a
PLN, em di e sos idiomas, sendo um deles o Po uguês. Como se sabe, exis em ou as e amen as pa a
ealiza es e ipo de a e a, mas dadas as uncionalidades especí icas do spaCy e o ma e ial de apoio
disponí el online, op ou-se pela sua escolha nes e abalho. Man endo o exemplo usado an e io men e
na ans o mação das pala as em minúsculas, na Tabela 18 ap esen a-se o esul ado da okenização
de uma das opiniões. Após a passagem de odas as pala as pa a minúsculas e a ealização da a e a
de okenização sob e o conjun o de dados, o ocabulá io icou com 22170 pala as.
52
Opinião
Tokenização
di e o, ápido , e icaz. excelen e modelo de negocio .
[“di e o”, “,”, “ ápido”, “,”, “e icaz”, “.”, “excelen e”,
“modelo”, “de”, “negocio”, “.”]
Tabela 18 -
Token
ização
Pa -o -speach (POS) Tagging
A é ao momen o ealiza am-se as a e as que não a e am es u u almen e a sin axe das opiniões. Po ém,
ago a, p e ende-se analisa os comen á ios, o ulando (e ique ando) cada oken com a sua classe
g ama ical. Es e p ocesso é bas an e impo an e, uma ez que pe mi e eduzi a dimensão do ocabulá io
e, consequen emen e, a complexidade do modelo de análise, a a és da emoção de odos os okens
que não ansmi em qualque sen imen o. A o ulagem das classes g ama icais oi ei a u ilizando
ambém a biblio eca spaCy. O esul ado pode se is o na Figu a 9.
Figu a 9 – Con agem de classes g ama icais con idas nas opiniões
Os ó ulos aplicados pela spaCy seguem ó ulos uni e sais (Ma ne e e al., 2021), que são de ácil lei u a
se se conside a a língua inglesa. Analisando o g á ico ap esen ado, e i ica-se que a maio ia dos okens
são nomes, seguindo-se de okens de pon uação e de e bos. A a ibuição de ó ulos aos okens pode
se analisada a a és do exemplo ap esen ado na Tabela 19. Assim, as pala as “loja”, “ma cas” e
“p eços” o am classi icadas como nomes, “ó ima” e “melho es” como adje i os, “as” como
53
de e minan es, “com” como p eposição (
adposi ion
em inglês), “.” como pon uação e “e” como
conjunção.
Opinião
Ró ulos POS
[“ó ima”, “loja”, “com”, “as”, “melho es”, “ma cas”, “e”,
“p eços”, “.”]
[ADJ, NOUN, ADP, DET, ADJ, NOUN, CCONJ, NOUN,
PUNCT]
Tabela 19 - Ró ulos POS
De seguida, p ocedeu-se à emoção de odos os okens que não ossem nomes, adje i os, ad é bios ou
e bos, já que são apenas es es que exp essam sen imen o. Os es an es okens são is os como uído
pa a o sis ema de classi icação (Ma ins e al., 2020; Sha ie e al., 2018). Des e modo, depois da
emoção das classes não essenciais, endo em conside ação os esul ados da Tabela 19, icou-se apenas
com os okens ap esen ados na Tabela 20. Após es a a e a, o ocabulá io icou eduzido pa a 20956
pala as.
Opinião
Ró ulos POS
[“ó ima”, “loja”, “melho es”, “ma cas”, “p eços”]
[ADJ, NOUN, ADJ, NOUN, NOUN]
Tabela 20 - Remoção das classes g ama icais
Remoção de
S opWo ds
As
s opwo ds
são pala as que ge almen e não ac escen em alo à classi icação de sen imen os, sendo
emo idas no p ocesso de p é-p ocessamen o. A biblio eca spaCy (Honnibal e al., 2020) conside a um
conjun o de
s opwo ds
de 416 pala as, incluindo conjunções de e bos, nume ação esc i a po ex enso,
en e ou os. Fo am iden i icados e emo idos em odas as opiniões os okens e ó ulos POS desses
mesmos okens, que co espondiam às
s opwo ds
p esen e no conjun o do spaCy (Honnibal e al., 2020).
Es a a e a oi ealizada após a emoção de pala as pela sua classe g ama ical, uma ez que a emoção
dos okens co esponden es às
s opwo ds
al e a a sin axe das ases. Se osse ealizada a emoção de
s opwo ds
em p imei o luga le a -se-ia a e os na classi icação das classes g ama icais das pala as.
O exemplo que de seguida se ap esen a (Tabela 21) expõe os esul ados após a aplicação da a e a de
emoção de
s op wo ds.
Pode-se e que as pala as “não” e “momen o”, o am eliminadas após a
aplicação des a écnica, jun amen e com os seus ó ulos
POS
.

54
Opinião
Remoção de
S opWo ds
[“en ega”, “ ápida”, “não”, “ unciona a”, “momen o”,
“espe a”, “ espos a”]
[“en ega”, “ ápida”, “ unciona a”, “espe a”, “ espos a”]
Tabela 21 - Remoção de S opWo ds
No g á ico seguin e (Figu a 10) pode-se e a edução do núme o de okens
,
po classe g ama ical, depois
da aplicação da emoção de
s op wo ds
. Consequen emen e, o ocabulá io ambém encolheu, endo
icado com 20631 pala as.
Figu a 10 – Classes g ama icais após a emoção de s opwo ds
Lema ização
Po im, aplicou-se a a e a de lema ização das pala as. Como mais a de se e á, es e p ocesso não
se á u ilizado em odos os modelos. A lema ização consis e no p ocesso de lema iza uma pala a, is o
é, a ibui a uma pala a a iá el uma o ma canónica (masculino singula , in ini o, e c.). De uma o ma
mais p á ica, é um abalho de uni o mização das pala as, passando os e bos conjugados pa a o seu
in ini i o ou o plu al de uma pala a pa a o masculino singula . Po exemplo, as conjugações e bais
“gos ei”, “gos a a” ão se lema izadas pa a “gos a ”. Po sua ez, os nomes “in o má icos” e
“in o má ica” se ão lema izados pa a “in o má ico”. A an agem des e p ocesso ace ao
s emming
é a
conse ação do signi icado da pala a. É uma écnica ideal pa a eduzi a di e sidade de pala as com
o mesmo signi icado. No en an o, e i a-se, que nes a a e a as e amen as u ilizadas não ealizam uma
55
lema ização “pe ei a” pa a a língua po uguesa, o que az com que algumas pala as não sejam
lema izadas de o ma co e a. Na Tabela 22 es á ap esen ado um exemplo de aplicação de lema ização.
Nes e caso, como é possí el e i ica , a a e a oi bem ealizada, endo sido as pala as eduzidas ao seu
lema.
Opinião
Lema ização
[“ó ima”, “loja”, “melho es”, “ma cas”, “p eços”]
[“ó imo”, “loja”, “bom”, “ma ca”, “p eço”]
Tabela 22 – Resul ado da aplicação de lema ização
4.5. Análise do Conjun o de Dados Final
Tendo o p ocesso de p é-p ocessamen o e minado, ago a é necessá io analisa o conjun o de dados
que se á u ilizado pelos modelos pa a a classi icação de sen imen os. A p imei a análise é ealizada
sob e o ocabulá io. Como oi is o, a dimensão do ocabulá io oi sendo eduzida em odas as a e as
(e apas) do p ocesso. No inal do p é-p ocessamen o o ocabulá io es a a eduzido a ce ca de 32%,
passando de 54138 pala as, no início do p ocesso, pa a 17067 pala as, no inal do p ocesso. A a e a
que maio impac o e e oi a sepa ação das pala as, e, em pa icula , a sepa ação da pon uação. Como
se pode cons a a , odas as a e as que o am ealizadas eduzi am o amanho do ocabulá io.
Figu a 11 - E olução do amanho do ocabulá io ao longo do p é-p ocessamen o
56
Uma ez que os dados es ão o ulados com a sua classi icação, é possí el aze algumas in e ências e
análise às opiniões. Assim, o am c iadas “nu ens de pala as” que nos pe mi em e noção das pala as
mais impo an es em cada uma das classes. Basicamen e, nu ens de pala as são ep esen ações
isuais de pala as, onde se dá maio des aque às pala as que su gem com mais equência.
Na gene alidade dos casos analisados, há pala as que oco em mui as ezes e são ans e sais a odas
as classi icações, já que es ão elacionadas com a a i idade da emp esa. São o caso de pala as como
“p odu o” e “encomenda”. Nas opiniões que possuem as classi icações mais baixas (1 e 2) (Figu a 12
e 13, espe i amen e), pala as como “loja”, “dia”, “espe a ”, “clien e”, “a endimen o” chamam à
a enção. Es as pala as indiciam p oblemas que já inham sido pe cecionados a a és da lei u a de
algumas das opiniões com es a classi icação, como o a endimen o da loja, po se mui o demo ado.
Chama à a enção, de igual modo, a pala a “dia”, que é uma das pala as que apa ece com maio
equência. Es a pala a suge e os a asos nas en egas das encomendas que não o am ealizados nos
dias es ipulados.
Figu a 12 - Nu em de pala as pa a a classi icação 1
57
Figu a 13 - Nu em de pala as pa a a classi icação 2
A nu em de pala as pa a as pala as das opiniões com classi icação 3, ep esen ada na Figu a 14, é
idên ica às nu ens de pala as de classi icação 1 e 2. Po ém, con ém algumas pala as no as, que
indiciam a neu alidade des a classi icação, ap esen ando pala as que eme em posi i idade, como
“bom”, e nega i idade, po exemplo “p oblema”, em simul âneo.
Figu a 14 - Nu em de pala as pa a a classi icação 3
Po sua ez, as nu ens de pala as com as melho es classi icações (4 e 5), ep esen adas na Figu a 15
e 16, espe i amen e, ap esen am mui os adje i os posi i os, como “excelen e” e “ ápido”, mas ao
mesmo empo incluem pala as como “p oblema”, que são de es anha numa boa classi icação.
Toda ia, podem indicia que os p oblemas pos os pelos clien es o am solucionados. A pala a “p eço”
64
do conjun o de dados com 3 classes (nega i a, neu a, posi i a). Po ém, o mais co e o se ia a u ilização
de uma classe biná ia, uma ez que é mui o di ícil encon a uma classi icação a ibuída que seja
exa amen e 0 (neu a), dado que a pola idade depende da soma das pola idades de cada uma das
pala as. No en an o, a única hipó ese de c ia uma escala biná ia se ia a ibui manualmen e às
classi icações neu as a sua pola idade, o que se ia uma a e a mo osa e complexa.
Com o p ocesso de inido, o am classi icadas as opiniões e gua dados as classi icações a ibuídas pelo
modelo. Con on ando os esul ados do modelo com os ó ulos do conjun o de dados, consegue-se a alia
a exa idão do modelo. Nes e caso, o modelo ace ou na classi icação 64,60% das ezes. Analisando cada
uma das classes (Tabela 26), é possí el en ende que a exa idão é mui o dis in a de classe pa a classe.
Dado que o conjun o de dados não é balanceado, a classe maio i á ia posi i a possuí o maio impac o
na exa idão ge al do modelo. Como já se inha e e ido, a classi icação neu a se ia um en a e ao bom
desempenho do modelo, o que pode se comp o ado pelo alo da exa idão nes a classe.
Classe
Exa idão
Classe Nega i a (-1)
0.46
Classe Neu a (0)
0.20
Classe Posi i a (1)
0.68
Tabela 26 – Exa idão po classe – Sem lema ização
Como o ma de es a a hipó ese de que a lema ização e ia um e ei o nega i o na classi icação, aplicou-
se ambém o modelo sob e os dados lema izados. Ao con á io do espe ado, o modelo aumen ou o seu
desempenho em e mos ge ais, passando de 0.65 de exa idão pa a 0.66. Não oi uma mudança
exp essi a. No en an o, hou e melho ias na exa idão das classes nega i a e posi i a. É no ó io que a
classe que so eu uma melho ia mais exp essi a oi a classe posi i a (Tabela 27).
Classe
Exa idão
Classe Nega i a (-1)
0.47
Classe Neu a (0)
0.19
Classe Posi i a (1)
0.70
Tabela 27 - Exa idão po classe – Com lema ização
Des a ei a, pode-se in e i que os e os come idos no p ocesso de lema ização não o am ão exp essi os
como se inha p e is o. Analisando o exemplo an e io , é de ealça que a pala a “es ela” oi
classi icada, ao con á io da pala a “es elas” (Tabela 28). Sabendo que o Sen iLex- lex-PT02
possuí

65
odas as pala as na sua o ma lexionada, a pala a “es ela” oi classi icada pelas pola idades p esen es
no On o.PT, o qual possui apenas lemas.
Opinião
“loja”
“es ela”
“se iço”
“ ápido”
Ró ulo POS
NOUN
NOUN
NOUN
ADJ
Pola idade
-1
1
1
1
Soma Pola idades
2
Classi icação A ibuída
1
Classi icação Real
1
Tabela 28 - Exemplo classi icação de opinião com ecu so a dicioná io (com lema ização)
A aca exa idão do modelo baseado em léxicos e ela um dos p oblemas des e ipo de abo dagem, o
con ex o de análise, que in luencia a pola idade das pala as. Os léxicos usados não são o ien ados
especi icamen e pa a a p oblemá ica em es udo, pelo que e mos especí icos do con ex o podem não
exis i no léxico ou en ão encon a em-se mal classi icados.
5.3. Modelos de
Machine Lea ning
Como se e e iu, os modelos de ML u ilizados o am supe isionados. Nes e ipo de abo dagem, an es
de inicia qualque modelo de classi icação, é necessá io ex ai os a ibu os das opiniões de o ma a
que os modelos sejam execu ados de idamen e. Op ou-se po u iliza duas écnicas dis in as: Wo d2Vec
(Mikolo e al., 2013) e TF-IDF (Spa ck Jones, 1972), sendo a p imei a baseada na inco po ação de
pala as e a segunda baseada na sua con agem. Como o Wo d2Vec se baseia na inco po ação de
pala as, es e pe mi iu analisa a semelhança en e as pala as.
Depois de se ans o ma as opiniões em e o es u ilizando o Wo d2Vec consegue-se analisa a
semelhança de pala as, ou seja, consegue-se in e i quais as pala as mais idên icas e a sua
simila idade. Po exemplo, pesquisando pelas 5 pala as mais semelhan es a “ anspo ado a”, “c ”
su ge em segundo luga , o que pe mi e in e i que a anspo ado a da emp esa é a “c ”. Is o comp o a
que os mé odos de inco po ação assumem que pala as di e en es com o mesmo signi icado possuem
ep esen ações semelhan es.
Fei a a ex ação de a ibu os oi necessá io aplica os modelos de classi icação. Como mencionado
an e io men e, selecionou-se os modelos NB, o SVM e o RF. Fo am ei as di e sas i e ações conside ando
66
os dois conjun os de dados (3 e 5 classes), as duas écnicas de ex ação de a ibu os e os 3 modelos de
ap endizagem supe isionada. No o al o am ealizadas 12 i e ações, documen adas na Tabela 29.
Nº classes
Modelo de ex ação de a ibu os
Classi icado es
3
Wo d2Vec
Naï e Bayes
Suppo Vec o Machine
Random Fo es
TF-IDF
Naï e Bayes
Suppo Vec o Machine
Random Fo es
5
Wo d2Vec
Naï e Bayes
Suppo Vec o Machine
Random Fo es
TF-IDF
Naï e Bayes
Suppo Vec o Machine
Random Fo es
Tabela 29 – Modelos de ML Ap endizagem Supe isionada
Com se sabe, da análise inicial dos dados, o balanceamen o das classes é um p oblema que de e se
omado em conside ação. Po exemplo, se se aplicasse unicamen e a mé ica da exa idão, inco e -se-ia
numa análise inco e a, já que, mesmo que o classi icado assumisse odos os dados como “Mui o
Posi i o”, a exa idão do modelo alcança ia os 0.78, o que pode ia se is o como uma boa classi icação.
Assim, pa a análise conside a -se-á ou as mé icas mais e icazes pa a dados não balanceados,
nomeadamen e a sensibilidade e a p ecisão. Po ém, é necessá io en ende o que es as mé icas
ep esen am nes e caso em especí ico. Quando se analisa a p ecisão, analisa-se se os dados p e is os
se encon am “p óximos” um dos ou os, ou seja, se a classi icação é uni o me, mesmo que não es eja
a p e e de o ma co e a. Uma p ecisão ele ada, no en an o, pode não signi ica uma boa classi icação,
o que az com que seja necessá io analisa a sensibilidade, que indica de odos os egis os de uma
de e minada classe quan os o am classi icados co e amen e.
Um dos en a es à u ilização des as 2 mé icas é que, mui as ezes, a melho ia de uma delas le a ao
e ei o con á io na ou a. Des a ei a, p e ende-se analisa o
ade-o
en e as duas. Pa a isso u iliza-se o
F1-sco e,
uma medida que a alia es a elação. Em suma, os modelos se ão analisados endo po base
as 3 mé icas e e idas, jun amen e com a exa idão. Es as mé icas se ão semp e melho es quan o mais
p óximo o seu alo es i e de 1. De no a que os alo es ap esen ados ep esen a ão semp e a média
67
a i mé ica das á ias classes, não a o ecendo as classes pela sua ep esen a i idade no modelo. Isso
pode ia oco e se usássemos a média ponde ada.
De o ma a ob e esul ados mais obus os, aplicou-se a écnica da alidação c uzada. Nes e caso o am
u ilizadas 5 pa ições, ou seja, o conjun o de dados oi di ido em 5 subconjun os dis in os e mu uamen e
exclusi os. Cada um desses subconjun os oi u ilizada como conjun o de es e uma ez, enquan o os
ou os 4 subconjun os o am u ilizados como conjun o de eino. Es e p ocesso oi epe ido a é que cada
um dos 5 subconjun os osse u ilizada como conjun o de es e. Po an o, em cada i e ação do
k- old
com
5 pa ições, 4 dos 5 subconjun os (80%) o am u ilizados pa a eina o modelo e 1 subconjun o (20%)
oi u ilizado pa a es á-lo. As mé icas u ilizadas pa a análise (exa idão,
F1-sco e
, sensibilidade e p ecisão)
esul am do cálculo da média dos di e en es esul ados de cada uma das pa ições. Assim, é de espe a
que, po exemplo, o alo médio do
F1-sco e
não possa se calculado u ilizando os alo es médios da
p ecisão e da sensibilidade.
Adicionalmen e, em odos os modelos oi c iada uma ma iz de con usão pa a melho en ende os
esul ados. A ma iz de con usão oi c iada endo po base uma expe iência com 70% dos dados pa a
es e e 30% dos dados pa a eino, sem aplica a écnica de alidação c uzada.
Conjun o de dados com 5 classes
Os p imei os modelos a se em analisados o am os que usa am o conjun o de dados com os ó ulos
iniciais, ou seja, os 5 ó ulos de classi icação. Os esul ados que se ob i e am es ão ap esen ados na
Tabela 30. Como mencionado, em conjun os de dados não balanceados, é necessá io analisa
cuidadosamen e as mé icas aplicadas. Em p imei o luga , ealça-se a ans e salidade da exa idão nos
modelos, es ando os alo es comp eendidos en e 0,81 e 0,84. No en an o, es a medida é no o iamen e
in luenciada pela classe maio i á ia posi i a (classe 5).
5 Classes
Ex ação de
a ibu os
Classi icado es
Exa idão
F1-sco e
Sensibilidade
P ecisão
Wo d2Vec
Naï e Bayes
0,81
0,35
0,34
0,37
Suppo Vec o Machine
0,82
0,38
0,34
0,43
Random Fo es
0,83
0,41
0,38
0,45
68
TF-IDF
Naï e Bayes
0,84
0,38
0,37
0,40
Suppo Vec o Machine
0,84
0,46
0,42
0,50
Random Fo es
0,83
0,42
0,37
0,49
Tabela 30 – Resul ados dos Modelos com 5 Classes
Veja-se a ma iz de con usão do modelo NB aplicado com o Wo d2Vec que es á ap esen ada na Figu a
19. Os dados classi icados con e gem na sua g ande maio ia pa a o ex emo posi i o, sendo classi icados
na classe 5. Adicionalmen e, pode-se des aca que a classe 2 nunca oi p e is a e que exis em mui as
poucas p e isões da classe 4.
Figu a 19 - Ma iz de Con usão
Wo d2Vec
+ NB com 5 classes
Es e ipo de análise ealça que não se de e basea a qualidade de um modelo apenas numa mé ica.
Des a ei a, compa ando o
F1-sco e
é isí el que os modelos com melho es p e isões são o SVM, aliado
à écnica de ex ação de a ibu os TF-IDF
,
e o RF, com o Wo d2Vec
.
No en an o, en e es es dois des aca-
se o SVM, uma ez que ap esen a alo es supe io es em odas as mé icas.
Na Figu a 20 pode-se e a ma iz de con usão do modelo SVM com o TF-IDF. Nes e caso as p e isões
es a am mais dispe sas pelas di e en es classes. No en an o, as p e isões pe manece am mui o
pola izadas nos ex emos, o que le ou a uma p ecisão de apenas 50%.
69
Figu a 20 - Ma iz de Con usão
TF-IDF
+ SVM com 5 classes
Em suma, não se conside ou sa is a ó ia a classi icação ob ida pelos modelos u ilizados, pelo que se
a ançou pa a a u ilização doo conjun o de dados com apenas 3 classes.
Conjun o de dados com 3 classes
Com o obje i o de ob e melho es esul ados nas mé icas escolhidas aplicou-se no conjun o com 3
classes os modelos an e io es. Os esul ados ob idos podem se is os na Tabela 31.
3 Classes
Ex ação de
a ibu os
Classi icado es
Exa idão
F1-sco e
Sensibilidade
P ecisão
Wo d2Vec
Naï e Bayes
0,90
0,54
0,54
0,54
Suppo Vec o Machine
0,91
0,59
0,53
0,66
Random Fo es
0,92
0,61
0,56
0,67
TF-IDF
Naï e Bayes
0,93
0,59
0,56
0,63
Suppo Vec o Machine
0,93
0,64
0,60
0,69
Random Fo es
0,92
0,60
0,54
0,68
Tabela 31 - Resul ados dos Modelos com 3 Classes

70
Fazendo uma análise supe icial, e i ica-se apidamen e a oco ência de uma melho ia nos esul ados.
Os classi icado es ap esen a am uma capacidade supe io pa a classi ica opiniões co e amen e. Hou e
melho ias em odas as mé icas, des acando-se o
F1-sco e
onde as melho ias o am mais exp essi as.
Po exemplo, no modelo NB com o Wo d2Vec
o F1-soc e
melho ou em 73%. Os modelos com melho es
esul ados, al como quando aplicado o conjun o com 5 classes, o am o SVM, com a écnica de ex ação
de a ibu os TF-IDF
,
e o RF, com o Wo d2Vec. Dos dois, o p imei o ap esen ou melho es esul ado, com
um
F1-sco e
de 0,64 e uma exa idão de 0,93.
Na Figu a 21 pode-se e a ma iz de con usão do RF com a ibu os ex aídos pelo Wo d2Vec
.
Es a ma iz
e ela que, embo a os alo es enham melho ado signi ica i amen e, o classi icado endeu a ealiza
g ande pa e das classi icações nas duas ex emidades. Apenas 9 opiniões o am co e amen e
classi icadas como neu as.
Figu a 21 - Ma iz de Con usão
Wo d2Vec
+ RF com 3 classes
A Tabela 32 ap esen a os alo es das mé icas u ilizadas especi icamen e nes e modelo. A a és dos
alo es ap esen ados, pode-se e que a classe neu a possuí alo es cla amen e pio es que as es an es
classes. Es a análise elemb a o desa io de ob e um bom desempenho numa classi icação não biná ia.
71
Classes
Sensibilidade
F1-sco e
P ecisão
-1
0,67
0,68
0,70
0
0,02
0,04
0,29
1
0,98
0,96
0,94
Tabela 32 – Resul ados po classes do modelo
Wo d2Vec
+ RF com 3 classes
Os esul ados ob idos, an o com o conjun o de 5 classes como com o conjun o de 3 classes,
con inua am a ap esen a alo es pio es do que os p e endidos. Assim, o am aplicadas écnicas pa a
en a alcança melho es esul ados. Nos pon os seguin es êm-se as écnicas escolhidas e os seus
esul ados.
O e Sampling e Unde Sampling
Quando o conjun o de dados não es á balanceado exis em écnicas pa a con a ia o en iesamen o dos
classi icado es que o am c iados. Es as écnicas seguem um mesmo p incípio: o balanceamen o dos
dados de eino, pa a que o modelo possa ap ende de o ma menos endenciosa. De isa que, apenas
aos dados de eino é que se aplicam as écnicas e não aos dados de es e. Es es são man idos na sua
o ma o iginal.
Pa a aze o balanceamen o de dados pode-se u iliza o
O e Sampling
(OS), no qual os dados de eino
são escalados de o ma sin é ica pa a que odas as classes possuam a mesma quan idade de dados que
a classe maio i á ia. Exis em di e sas écnicas de OS, po exemplo, pode-se simplesmen e duplica as
opiniões das classes mino i á ias pa a a ingi o alo da classe maio i á ia. No caso des a disse ação,
em especí ico, oi aplicado o SMOTE (Chawla e al., 2002), que pe mi e c ia amos as “sin é icas”
a a és dos dados exis en es, aumen ando as classes sem as copia di e amen e. Ou a écnica de
balanceamen o é o
Unde Sampling
(US), que se desen ol e de o ma con á ia ao OS. Es e mé odo, ao
in és de aumen a as classes mino i á ias, eduz odas as classes pa a o alo da classe mino i á ia. Tal
como no OS, ambém exis e a écnica que seleciona de o ma alea ó ia as amos as a man e . No
en an o, nes a disse ação, aplicou-se uma écnica compu acionalmen e mais dispendiosa, mas com
esul ados ge almen e supe io es. A écnica aplicada denomina-se de ALL – KNN, que se baseia no
algo i mo do izinho mais p óximo, no qual se eduz as amos as das classes maio i á ias emo endo as
amos as cuja classe di e e da dos seus izinhos mais p óximos. No ALL – KNN al e a-se o pa âme o
k
72
do algo i mo dos izinhos mais p óximos in e nos, aumen ando-o em cada i e ação. Assim, o am
aplicadas ao conjun o de dados com 3 classes as écnicas e e idas, com o obje i o de se en ende se a
al e ação dos dados de eino e ia in luência nos esul ados ob idos. Iniciando pelo OS (Tabela 33),
consegue-se pe cebe que exis em al e ações em di e sas mé icas, umas pa a alo es supe io es e
ou as pa a in e io es. Os modelos com melho es esul ados são o SVM e o RF, com o Wo d2Vec
,
pelos
alo es ele ados de sensibilidade que ap esen am, e o RF, com o TF-IDF, pela exa idão ap esen ada,
apoiada com alo es semelhan es ou supe io es ao melho modelo ob ido an e io men e.
O e Sampling - SMOTE
Ex ação de
a ibu os
Classi icado es
Exa idão
F1-sco e
Sensibilidade
P ecisão
Wo d2Vec
Naï e Bayes
0,75
0,57
0,65
0,51
Suppo Vec o Machine
0,84
0,64
0,72
0,57
Random Fo es
0,89
0,62
0,66
0,59
TF-IDF
Naï e Bayes
0,84
0,63
0,71
0,56
Suppo Vec o Machine
0,86
0,62
0,67
0,57
Random Fo es
0,91
0,63
0,64
0,62
Tabela 33 – Resul ados dos Modelos com 3 classes, aplicando o OS
De o ma a en ende melho a e olução das mé icas u ilizadas em elação às soluções sem al e ação
dos dados de eino c iou-se a Tabela 34. A a és des a abela pode-se obse a a a iação ela i a do
alo das medidas de desempenho.
Va iação Rela i a (%) - O e Sampling s 3 Classes O iginal
Ex ação de
a ibu os
Classi icado es
Exa idão
F1-sco e
Sensibilidade
P ecisão
Wo d2Vec
Naï e Bayes
-16,0%
0,0%
20,2%
-6,0%
Suppo Vec o Machine
-7,9%
11,8%
34,1%
-13,7%
Random Fo es
-2,6%
10,5%
18,2%
-11,6%
TF-IDF
Naï e Bayes
-9,5%
5,5%
26,2%
-11,1%
73
Suppo Vec o Machine
-7,4%
-3,3%
11,4%
-17,7%
Random Fo es
-1,4%
12,4%
18,4%
-8,9%
Tabela 34 - Va iação Rela i a (%) - O e Sampling s 3 Classes O iginal
O mais no ó io nes a abela de a iações é o aumen o do
F1-sco e
nos 3 modelos des acados (SVM, com
Wo d2Vec; RF com Wo d2Vec e RF com TF-IDF). Como explicado an e io men e, na sensibilidade e na
p ecisão, o aumen o de uma mé ica ge a, no malmen e, a diminuição da ou a, e ice- e sa. No en an o,
nos exemplos des acados o
ade-o
das duas é posi i o, já que o aumen o da sensibilidade é supe io
à diminuição da p ecisão, le ando aos alo es do
F1-sco e
ap esen ados.
Obse e-se, ago a, a ma iz de con usão do modelo SVM, com o algo i mo Wo d2Vec (Figu a 22), pa a
se pode ealiza uma análise mais c í ica dos esul ados ob idos. Os e ei os do aumen o subs ancial da
sensibilidade en endem-se analisando os alo es ap esen ados na ma iz. Ao con á io dos modelos
einados com os dados o iginais, es e no o classi icado dis ingue melho a exis ência de 3 classes.
Além disso, exis em mui os mais dados classi icados co e amen e na classe neu a. De um modo ge al,
a classi icação passou a se mais homogénea e menos endenciosa pa a as classes opos as (nega i a e
posi i a).
Figu a 22 - Ma iz de Con usão
Wo d2Vec
+ SVM O e Sampling
Fei a a análise dos esul ados de OS, analise-se ago a os esul ados de US. Com es a écnica os
esul ados ob idos (Tabela 35) o am, na sua gene alidade, pio es que os esul ados ob idos pelos
80
es ão em oga e ap esen am bons esul ados, al como desc i o na e isão de li e a u a. A
aplicação de algumas edes neu onais de ap endizagem p o unda podia se uma boa hipó ese
pa a lida com o p oblema de balanceamen o.
- A u ilização de so wa e de ges ão es a égica. A análise c iada pa a a ges ão es a égica pode
se desen ol ida, c iando uma in e ace que pe mi a ao ges o inse i no as pala as-cha e e
e i ica a sua exis ência nas opiniões de uma o ma mais amigá el.

81
REFERÊNCIAS BIBLIOGRÁFICAS
A., V., & Sonawane, S. S. (2016). Sen imen Analysis o Twi e Da a: A Su ey o Techniques.
In e na ional Jou nal o Compu e Applica ions
,
139
(11), 5–15.
h ps://doi.o g/10.5120/IJCA2016908625
Aga wal, K. (2022). A Re iew on Fea u e Selec ion Techniques o Sen imen Analysis.
INTERANTIONAL
JOURNAL OF SCIENTIFIC RESEARCH IN ENGINEERING AND MANAGEMENT
.
h ps://doi.o g/10.55041/ijs em12024
Agga wal, C. C. (2018). Opinion Mining and Sen imen Analysis. Em C. C. Agga wal,
Machine Lea ning
o Tex
(pp. 413–434). Sp inge In e na ional Publishing. h ps://doi.o g/10.1007/978-3-319-
73531-3_13
Ahmad, S. R., Baka , A. A., & Yaakub, M. R. (2019). A e iew o ea u e selec ion echniques in sen imen
analysis.
In elligen Da a Analysis
,
23
(1), 159–189. h ps://doi.o g/10.3233/IDA-173763
Appel, O., Chiclana, F., Ca e , J., & Fuji a, H. (2016). A hyb id app oach o he sen imen analysis
p oblem a he sen ence le el.
Knowledge-Based Sys ems
,
108
, 110–124.
h ps://doi.o g/10.1016/j.knosys.2016.05.040
A inash, M., & Si asanka , E. (2019).
A S udy o Fea u e Ex ac ion Techniques o Sen imen Analysis
.
814
, 475–486. h ps://doi.o g/10.1007/978-981-13-1501-5_41
Aydoğan, E., & Akcayol, M. A. (2016). A comp ehensi e su ey o sen imen analysis asks using
machine lea ning echniques.
2016 In e na ional Symposium on INno a ions in In elligen
SysTems and Applica ions (INISTA)
, 1–7. h ps://doi.o g/10.1109/INISTA.2016.7571856
Baccianella, S., Esuli, A., & Sebas iani, F. (2010).
SENTIWORDNET 3.0: An Enhanced Lexical Resou ce
o Sen imen Analysis and Opinion Mining
.
82
Bas ı, E., Kuzey, C., & Delen, D. (2015). Analyzing ini ial public o e ings’ sho - e m pe o mance using
decision ees and SVMs.
Decision Suppo Sys ems
,
73
, 15–27.
h ps://doi.o g/10.1016/j.dss.2015.02.011
Belkin, M., Niyogi, P., & Sindhwani, V. (2006).
Mani old Regula iza ion: A Geome ic F amewo k o
Lea ning om Labeled and Unlabeled Examples
.
Bi jali, M., Kas i, M., & Beni-Hssane, A. (2021). A comp ehensi e su ey on sen imen analysis:
App oaches, challenges and ends.
Knowledge-Based Sys ems
,
226
, 107134.
h ps://doi.o g/10.1016/j.knosys.2021.107134
Blum, A., & Chawla, S. (2001).
Lea ning om Labeled and Unlabeled Da a using G aph Mincu s
.
h ps://doi.o g/10.1184/R1/6606860. 1
Blum, A., & Mi chell, T. (1998). Combining labeled and unlabeled da a wi h co- aining.
P oceedings o
he ele en h annual con e ence on Compu a ional lea ning heo y
, 92–100.
h ps://doi.o g/10.1145/279943.279962
Camb ia, E., Li, Y., Xing, F. Z., Po ia, S., & Kwok, K. (2020). Sen icNe 6: Ensemble Applica ion o
Symbolic and Subsymbolic AI o Sen imen Analysis.
P oceedings o he 29 h ACM In e na ional
Con e ence on In o ma ion & Knowledge Managemen
, 105–114.
h ps://doi.o g/10.1145/3340531.3412003
Ca doso, E. F., Sil a, R. M., & Almeida, T. A. (2018). Towa ds au oma ic il e ing o ake e iews.
Neu ocompu ing
,
309
, 106–116. h ps://doi.o g/10.1016/j.neucom.2018.04.074
Ca alho, P., & Sil a, M. J. (2015). Sen iLex-PT: P incipais ca ac e ís icas e po encialidades.
Oslo S udies
in Language
,
7
(1). h ps://doi.o g/10.5617/osla.1444
Chawla, N. V., Bowye , K. W., Hall, L. O., & Kegelmeye , W. P. (2002). SMOTE: Syn he ic Mino i y O e -
sampling Technique.
Jou nal o A i icial In elligence Resea ch
,
16
, 321–357.
h ps://doi.o g/10.1613/jai .953
83
Chawla, N. V., Japkowicz, N., & Ko cz, A. (2004). Special issue on lea ning om imbalanced da a se s.
ACM SIGKDD Explo a ions Newsle e
,
6
(1), 1–6. h ps://doi.o g/10.1145/1007730.1007733
Co es, C., & Vapnik, V. (1995). Suppo - ec o ne wo ks.
Machine Lea ning
,
20
(3), 273–297.
h ps://doi.o g/10.1007/BF00994018
Cui, X., Po ok, T. E., & Pala hingal, P. (2005). Documen clus e ing using pa icle swa m op imiza ion.
P oceedings 2005 IEEE Swa m In elligence Symposium, 2005. SIS 2005.
, 185–191.
h ps://doi.o g/10.1109/SIS.2005.1501621
Dang, C. N., Mo eno-Ga cía, M. N., & P ie a, F. D. la. (2021). An App oach o In eg a ing Sen imen
Analysis in o Recommende Sys ems.
Senso s
,
21
(16), A igo 16.
h ps://doi.o g/10.3390/s21165666
Dang, N. C., Mo eno-Ga cía, M. N., & De la P ie a, F. (2020). Sen imen Analysis Based on Deep Lea ning:
A Compa a i e S udy.
Elec onics
,
9
(3), A igo 3. h ps://doi.o g/10.3390/elec onics9030483
Dasgup a, S., & Ng, V. (2009). Mine he Easy, Classi y he Ha d: A Semi-Supe ised App oach o
Au oma ic Sen imen Classi ica ion. Em K.-Y. Su, J. Su, J. Wiebe, & H. Li (Eds.),
P oceedings o
he Join Con e ence o he 47 h Annual Mee ing o he ACL and he 4 h In e na ional Join
Con e ence on Na u al Language P ocessing o he AFNLP
(pp. 701–709). Associa ion o
Compu a ional Linguis ics. h ps://aclan hology.o g/P09-1079
De lin, J., Chang, M.-W., Lee, K., & Tou ano a, K. (2019). BERT: P e- aining o Deep Bidi ec ional
T ans o me s o Language Unde s anding.
P oceedings o he 2019 Con e ence o he No h
Ame ican Chap e o he Associa ion o Compu a ional Linguis ics: Human Language
Technologies, Volume 1 (Long and Sho Pape s)
, 4171–4186.
h ps://doi.o g/10.18653/ 1/N19-1423
Dolo es Molina-González, M., Ma ínez-Cáma a, E., Te esa Ma ín-Valdi ia, M., & Al onso U eña-López, L.
(2015). A Spanish seman ic o ien a ion app oach o domain adap a ion o pola i y classi ica ion.
84
In o ma ion P ocessing & Managemen
,
51
(4), 520–531.
h ps://doi.o g/10.1016/j.ipm.2014.10.002
Du ic, A., & Song, F. (2012). Fea u e selec ion o sen imen analysis based on con en and syn ax
models.
Decision Suppo Sys ems
,
53
(4), 704–711.
h ps://doi.o g/10.1016/j.dss.2012.05.023
Esuli, A., & Sebas iani, F. (2006).
SENTIWORDNET: A Publicly A ailable Lexical Resou ce o Opinion
Mining
.
Fang, X., & Zhan, J. (2015). Sen imen analysis using p oduc e iew da a.
Jou nal o Big Da a
,
2
(1), 1–
14. h ps://doi.o g/10.1186/S40537-015-0015-2/FIGURES/9
Gao, W., Li, S., Xue, Y., Wang, M., & Zhou, G. (2014). Semi-supe ised Sen imen Classi ica ion wi h Sel -
aining on Fea u e Subspaces. Em X. Su & T. He (Eds.),
Chinese Lexical Seman ics
(pp. 231–
239). Sp inge In e na ional Publishing. h ps://doi.o g/10.1007/978-3-319-14331-6_23
Gomes, L., Da Sil a To es, R., & Cô es, M. L. (2023). BERT- and TF-IDF-based ea u e ex ac ion o
long-li ed bug p edic ion in FLOSS: A compa a i e s udy.
In o ma ion and So wa e Technology
,
160
, 107217. h ps://doi.o g/10.1016/j.in so .2023.107217
Gonçalo Oli ei a, H., & Gomes, P. (2014). ECO and On o.PT: A lexible app oach o c ea ing a Po uguese
wo dne au oma ically.
Language Resou ces and E alua ion
,
48
(2), 373–393.
h ps://doi.o g/10.1007/s10579-013-9249-9
Gu ié ez, L., Bekios-Cal a, J., & Kei h, B. (2019). A Re iew on Bayesian Ne wo ks o Sen imen Analysis.
Em J. Mejia, M. Muñoz, Á. Rocha, A. Peña, & M. Pé ez-Cisne os (Eds.),
T ends and Applica ions
in So wa e Enginee ing
(Vol. 865, pp. 111–120). Sp inge In e na ional Publishing.
h ps://doi.o g/10.1007/978-3-030-01171-0_10
Haddi, E., Liu, X., & Shi, Y. (2013). The Role o Tex P e-p ocessing in Sen imen Analysis.
P ocedia
Compu e Science
,
17
, 26–32. h ps://doi.o g/10.1016/j.p ocs.2013.05.005
85
Hajmohammadi, M. S., Ib ahim, R., & Selama , A. (2015). G aph-Based Semi-supe ised Lea ning o
C oss-Lingual Sen imen Classi ica ion. Em N. T. Nguyen, B. T awiński, & R. Kosala (Eds.),
In elligen In o ma ion and Da abase Sys ems
(pp. 97–106). Sp inge In e na ional Publishing.
h ps://doi.o g/10.1007/978-3-319-15702-3_10
Han, Y., Liu, Y., & Jin, Z. (2020). Sen imen analysis ia semi-supe ised lea ning: A model based on
dynamic h eshold and mul i-classi ie s.
Neu al Compu ing and Applica ions
,
32
(9), 5117–5129.
h ps://doi.o g/10.1007/s00521-018-3958-3
Hasan, A., Moin, S., Ka im, A., & Shamshi band, S. (2018). Machine Lea ning-Based Sen imen Analysis
o Twi e Accoun s.
Ma hema ical and Compu a ional Applica ions
,
23
(1), 11.
h ps://doi.o g/10.3390/mca23010011
Ha zi assiloglou, V., & McKeown, K. R. (1997). P edic ing he Seman ic O ien a ion o Adjec i es.
35 h
Annual Mee ing o he Associa ion o Compu a ional Linguis ics and 8 h Con e ence o he
Eu opean Chap e o he Associa ion o Compu a ional Linguis ics
, 174–181.
h ps://doi.o g/10.3115/976909.979640
He, Y., & Zhou, D. (2011). Sel - aining om labeled ea u es o sen imen analysis.
In o ma ion
P ocessing & Managemen
,
47
(4), 606–616. h ps://doi.o g/10.1016/j.ipm.2010.11.003
Hemma ian, F., & Soh abi, M. K. (2017). A su ey on classi ica ion echniques o opinion mining and
sen imen analysis.
A i icial In elligence Re iew
,
52
(3), 1495–1545.
h ps://doi.o g/10.1007/s10462-017-9599-6
Hi esh, M., Vaibha , V., Kalki, Y. J. A., Kam am, S. H., & Kuma i, S. (2019). Real-Time Sen imen Analysis
o 2019 Elec ion Twee s using Wo d2 ec and Random Fo es Model.
2019 2nd In e na ional
Con e ence on In elligen Communica ion and Compu a ional Techniques (ICCT)
, 146–151.
h ps://doi.o g/10.1109/ICCT46177.2019.8969049

86
Hoch ei e , S., & Schmidhube , J. (1996). LSTM can Sol e Ha d Long Time Lag P oblems.
Ad ances in
Neu al In o ma ion P ocessing Sys ems
,
9
.
h ps://p oceedings.neu ips.cc/pape /1996/hash/a4d2 0d23dcc84ce983 9157 8b7 88-
Abs ac .h ml
Hong, S., Lee, J., & Lee, J.-H. (2014). Compe i i e Sel -T aining echnique o sen imen analysis in mass
social media.
2014 Join 7 h In e na ional Con e ence on So Compu ing and In elligen Sys ems
(SCIS) and 15 h In e na ional Symposium on Ad anced In elligen Sys ems (ISIS)
, 9–12.
h ps://doi.o g/10.1109/SCIS-ISIS.2014.7044857
Honnibal, M., Mon ani, I., Van Landeghem, S., & Boyd, A. (2020).
spaCy: Indus ial-s eng h Na u al
Language P ocessing in Py hon
. h ps://doi.o g/10.5281/zenodo.1212303
Hoque, N., Bha acha yya, D. K., & Kali a, J. K. (2014). MIFS-ND: A mu ual in o ma ion-based ea u e
selec ion me hod.
Expe Sys ems wi h Applica ions
,
41
(14), 6371–6385.
h ps://doi.o g/10.1016/j.eswa.2014.04.019
Hssina, B., MERBOUHA, A., Ezzikou i, H., & E i ali, M. (2014). A compa a i e s udy o decision ee ID3
and C4.5.
(IJACSA) In e na ional Jou nal o Ad anced Compu e Science and Applica ions
,
Special Issue on Ad ances in Vehicula Ad Hoc Ne wo king and Applica ions
.
h ps://doi.o g/10.14569/SpecialIssue.2014.040203
Hu, M., & Liu, B. (2004). Mining and summa izing cus ome e iews.
P oceedings o he Ten h ACM
SIGKDD In e na ional Con e ence on Knowledge Disco e y and Da a Mining
, 168–177.
h ps://doi.o g/10.1145/1014052.1014073
Huang, A. (2008).
Simila i y Measu es o Tex Documen Clus e ing
.
Islam, Md. T., Sazzad, Md. A. U., Ahmed, E., Azad, M., & Islam, S. (2018). Subjec i i y Analysis o Mo ie
Re iews using Machine Lea ning o Pe o m Sen ence Le el Classi ica ion.
2018 4 h In e na ional
87
Con e ence on Elec ical Enginee ing and In o ma ion & Communica ion Technology (iCEEiCT)
,
473–478. h ps://doi.o g/10.1109/CEEICT.2018.8628083
Joachims, T. (1998). Tex ca ego iza ion wi h Suppo Vec o Machines: Lea ning wi h many ele an
ea u es. Em C. Nédellec & C. Rou ei ol (Eds.),
Machine Lea ning: ECML-98
(pp. 137–142).
Sp inge . h ps://doi.o g/10.1007/BFb0026683
Joachims, T. (2003).
T ansduc i e Lea ning ia Spec al G aph Pa i ioning
.
Joshi, M., P ajapa i, P., Shaikh, A., & Vala, V. (2017). A Su ey on Sen imen Analysis.
In e na ional
Jou nal o Compu e Applica ions
,
163
(6), 34–38. h ps://doi.o g/10.5120/ijca2017913552
Ju ek, A., Mul enna, M. D., & Bi, Y. (2015). Imp o ed lexicon-based sen imen analysis o social media
analy ics.
Secu i y In o ma ics
,
4
(1), 9. h ps://doi.o g/10.1186/s13388-015-0024-x
Kai y, M., & Balak ishnan, V. (2020). Sen imen lexicons and non-English languages: A su ey.
Knowledge
and In o ma ion Sys ems
,
62
(12), 4445–4480. h ps://doi.o g/10.1007/s10115-020-01497-6
Kalai ani, K. S., Uma, S., & Kanimozhisel i, C. S. (2020). A Re iew on Fea u e Ex ac ion Techniques o
Sen imen Classi ica ion.
2020 Fou h In e na ional Con e ence on Compu ing Me hodologies
and Communica ion (ICCMC)
, 679–683. h ps://doi.o g/10.1109/ICCMC48092.2020.ICCMC-
000126
Kamal, A. (2013).
Subjec i i y Classi ica ion using Machine Lea ning Techniques o Mining Fea u e-
Opinion Pai s om Web Opinion Sou ces
.
Kasmu i, E., & Basi on, H. (2017). Subjec i i y analysis in opinion mining—A sys ema ic li e a u e e iew.
In e na ional Jou nal o Ad ances in So Compu ing and i s Applica ions
,
9
, 132–159.
Khan, F. H., Bashi , S., & Qama , U. (2014). TOM: Twi e opinion mining amewo k using hyb id
classi ica ion scheme.
Decision Suppo Sys ems
,
57
, 245–257.
h ps://doi.o g/10.1016/j.dss.2013.09.004
88
Kim, S.-M., & Ho y, E. (2004). De e mining he Sen imen o Opinions.
COLING 2004: P oceedings o
he 20 h In e na ional Con e ence on Compu a ional Linguis ics
, 1367–1373.
h ps://aclan hology.o g/C04-1200
Kim, Y. (2014). Con olu ional Neu al Ne wo ks o Sen ence Classi ica ion.
P oceedings o he 2014
Con e ence on Empi ical Me hods in Na u al Language P ocessing (EMNLP)
, 1746–1751.
h ps://doi.o g/10.3115/ 1/D14-1181
Ki i chenko, S., Zhu, X., & Mohammad, S. M. (2014). Sen imen Analysis o Sho In o mal Tex s.
Jou nal
o A i icial In elligence Resea ch
,
50
, 723–762. h ps://doi.o g/10.1613/jai .4272
Koeling, R. (2000). Chunking wi h Maximum En opy Models.
Fou h Con e ence on Compu a ional
Na u al Language Lea ning and he Second Lea ning Language in Logic Wo kshop
. CoNLL 2000.
h ps://aclan hology.o g/W00-0729
Kulka ni, A., & Shi ananda, A. (2019).
Na u al Language P ocessing Recipes: Unlocking Tex Da a wi h
Machine Lea ning and Deep Lea ning using Py hon
. Ap ess. h ps://doi.o g/10.1007/978-1-
4842-4267-4
Kuma , T. P., & Va dhan, B. V. (2022). Mul imodal Sen imen Analysis using P edic ion-based Wo d
Embeddings.
2022 In e na ional Con e ence on Edge Compu ing and Applica ions (ICECAA)
,
258–262. h ps://doi.o g/10.1109/ICECAA55415.2022.9936350
Lee, H., G osse, R., Rangana h, R., & Ng, A. Y. (2009). Con olu ional deep belie ne wo ks o scalable
unsupe ised lea ning o hie a chical ep esen a ions.
P oceedings o he 26 h Annual
In e na ional Con e ence on Machine Lea ning
, 609–616.
h ps://doi.o g/10.1145/1553374.1553453
Li, G., & Liu, F. (2014). Sen imen analysis based on clus e ing: A amewo k in imp o ing accu acy and
ecognizing neu al opinions.
Applied In elligence
,
40
(3), 441–452.
h ps://doi.o g/10.1007/s10489-013-0463-3
89
Li, H., Cui, J., Shen, B., & Ma, J. (2016). An in elligen mo ie ecommenda ion sys em h ough g oup-
le el sen imen analysis in mic oblogs.
Neu ocompu ing
,
210
, 164–173.
h ps://doi.o g/10.1016/j.neucom.2015.09.134
Lig ha , A., Ca al, C., & Tekine dogan, B. (2021). Sys ema ic e iews in sen imen analysis: A e ia y
s udy.
A i icial In elligence Re iew
,
54
(7), 4997–5053. h ps://doi.o g/10.1007/s10462-021-
09973-3
Liu, B. (2010).
Sen imen Analysis and Subjec i i y
. 2010.
Liu, B. (2012).
Sen imen Analysis and Opinion Mining
. Mo gan & Claypool Publishe s.
Liu, H., Zhou, M., & Liu, Q. (2019). An embedded ea u e selec ion me hod o imbalanced da a
classi ica ion.
IEEE/CAA Jou nal o Au oma ica Sinica
,
6
(3), 703–715.
h ps://doi.o g/10.1109/JAS.2019.1911447
Madasu, A., & Elango, S. (2020). E icien ea u e selec ion echniques o sen imen analysis.
Mul imedia
Tools and Applica ions
,
79
(9), 6313–6335. h ps://doi.o g/10.1007/s11042-019-08409-z
Män ylä, M. V., G azio in, D., & Kuu ila, M. (2018). The e olu ion o sen imen analysis—A e iew o
esea ch opics, enues, and op ci ed pape s.
Compu e Science Re iew
,
27
, 16–32.
h ps://doi.o g/10.1016/j.cos e .2017.10.002
Ma ne e, M.-C., Manning, C. D., Ni e, J., & Zeman, D. (2021). Uni e sal Dependencies.
Compu a ional
Linguis ics
,
47
(2), 255–308. h ps://doi.o g/10.1162/coli_a_00402
Ma ins, R., Almeida, J., Hen iques, P., & No ais, P. (2020). P edic ing an Elec ion’s Ou come Using
Sen imen Analysis. Em Á. Rocha, H. Adeli, L. P. Reis, S. Cos anzo, I. O o ic, & F. Mo ei a (Eds.),
T ends and Inno a ions in In o ma ion Sys ems and Technologies
(Vol. 1159, pp. 134–143).
Sp inge In e na ional Publishing. h ps://doi.o g/10.1007/978-3-030-45688-7_14