A maioria das ferramentas de Social Media Monitoring possui um módulo de análise de sentimento para tentar extrair o tom de uma ou mais sentenças. O Buzzmonitor também usa um conjunto destes classificadores e, em particular, os com base no Teorema de Bayes. Essencialmente, o teorema (instanciado para este caso) diz que podemos calcular a probabilidade do sentimento de uma sentença se soubermos as probabilidades dos sentimentos de cada termo, levando também em consideração a ordem em que ocorrem.
O exemplo a seguir é uma simplificação para ilustrar de forma mais didática este teorema: suponha que você ache o termo “bem” na sentença e esse termo sozinho tenha uma probabilidade de sentimento positivo de 0.8. No entanto, você acha em seguida, logo junto a bem, o termo “mal”.
O algoritmo já possui pré-calculado (na sua fase de aprendizado) para que a probabilidade pPOS(bem|mal) leia-se probabilidade do sentimento ser positivo, dado que na frase ocorra “bem” e dado que achamos em seguida “mal”. Esse valor é muito provável em um exemplo real bem baixo: pPOS(bem|mal) = 0.1 digamos. Ou seja, “bem mal” vai empurrar o resultado final para o lado negativo.
Ao contrário, a pPOS(bem|bom), a probabilidade do sentimento de uma dada sentença ser positiva, dado que se achou a palavra bem e em seguida a palavra bom, é possivelmente, em um caso real, bem alta, digamos 0.9.
O sentimento de um post, então, é uma fórmula que concatena todas estas probabilidades e dá um resultado entre 0 e 1, naturalmente probabilístico. O que o sistema faz é pegar a probabilidade final; se ela for baixa, marcar o post como negativo, e se ela é alta (digamos acima de 0.6), marcar como positivo.
Como o algoritmo calcula essas probabilidades?
As probabilidades são calculadas dado um conjunto de treinamento (no jargão, corpus), que é definido como um conjunto de sentenças já pré-classificadas em positivas e negativas.
Por que muitos dos resultados são por vezes errados?
Considere o tweet: “um verdadeiro vírus essa música do xpto, não paro de ouvir, socorro!”
Palavras como “vírus” e “socorro” tem muito provavelmente mais conotações negativas do que positivas em um dado conjunto de treinamento. Se o nosso conjunto de treinamento é finito, nunca vamos capturar a ambiguidade dos infinitos casos da linguagem natural. Portanto, por maior que seja o conjunto, nosso classificador vai ser sempre capenga em relação ao mecanismo ainda misterioso do cérebro humano. É por isso que a análise de sentimento em todas as ferramentas sempre é um indicador, mas nunca deve ser tomada como um valor absoluto.
Aprendizado da próprio robô através da inteligência artificial machine learning:
A médio prazo, com o tempo de projeto e conforme vocês forem realizando a reclassificação das interações, o próprio robô é treinado de acordo com a necessidade do seu projeto, então por exemplo, interações que ele classifica como neutro e para você é positivo, a médio prazo, conforme vocês realizarem essas alterações, o próprio robô já é ensinado de acordo com as suas demandas.
Criação de regras via Triggers:
Podemos criar várias regras para aplicar sentimento de acordo com as palavras-chave configuradas:
No menu Atendimento, clique em Triggers e selecione o botão Novo Trigger para criar um alerta.
Em seguida, em Geral, nomeie o alerta.
Em Fontes selecione em quais Serviços, Projetos e Perfis (Twitter, Instagram, Facebook e LinkedIn) o alerta será aplicado.
Em Filtros, defina os termos booleanos com as palavras que ativarão o Trigger.
Na última etapa, em Ações, defina o sentimento atribuído às interações coletadas. Você pode até mesmo criar um ticket para o caso.
Resumo dos pontos mais importantes:
Análise de sentimento, em geral, é feita usando classificadores estatísticos. Isso significa que na prática os sistemas somente são capazes de aferir a probabilidade de um post ser negativo ou positivo.
Estas probabilidades são calculadas por cada termo e em geral por cada par de termo usando um conjunto de treinamento que foi classificado por um analista humano. Por ser estatístico, todo classificador entrega resultados probabilísticos por definição com um erro associado. Os resultados devem ser tratados como indicadores, nunca como verdade absoluta.
Gostou? Inscreva-se para receber nossos conteúdos