Mas afinal, para que serve Análise de Sentimentos? - Python Brasil 2018

Temos milhares de opiniões circulando nas redes sociais. Podemos utilizá-las para saber as pessoas que estão secando a seleção na copa, quem vai votar no Lula nas próximas eleições e quem curtiu ou não a compra do GitHub pela Microsoft.
Nessa talk vou abordar como utilizar análise de sentimentos em redes sociais para entender os sentimentos e propensões das pessoas e como utilizar essa informação.

Vídeo: https://youtu.be/JMQaFBYNLno

Transcript

1. MAS AFINAL,
   PARA QUE SERVE
   ANÁLISE DE SENTIMENTOS?
   

   View Slide

2. 2
   ⊸ Deva na ThoughtWorks;
   ⊸ Pythonista;
   ⊸ Estudante de Data
   Science;
   ⊸ Treinadora DG, RR, AP;
   ⊸ Cinéfila;
   BETINA COSTA
   

   View Slide

3. Geral
   ⊸ Atitudes;
   ⊸ Emoções;
   ⊸ Opiniões;
   ⊸ Impressões
   subjetivas;
   O que é Sentimento?
   Em Análise de Sentimentos
   ⊸ Emoção presente em uma
   mensagem;
   3
   

   View Slide

4. 1.
   O QUE É ANÁLISE DE
   SENTIMENTOS?
   4
   

   View Slide

5. Entidades de Interesse
   ⊸ Pessoas;
   ⊸ Empresas;
   ⊸ Produtos;
   ⊸ Decisões ou Ações;
   5
   

   View Slide

6. Perguntas
   ⊸ Qual a recepção de um produto?
   ⊸ Como as pessoas receberam uma
   campanha de marketing?
   ⊸ Qual a percepção dos eleitores sobre um
   candidato?
   6
   

   View Slide

7. Outros usos
   ⊸ Extração de informações;
   ⊸ Resposta a Perguntas;
   ⊸ Identificar classificação de vídeos;
   ⊸ Identificar viés em notícias;
   7
   

   View Slide

8. 8
   RESUMINDO
   

   View Slide

9. 2.
   COMO FAZER?
   9
   

   View Slide

10. Polaridade
    ⊸ Black Mirror é ótimo! -> positivo
    ⊸ Black Mirror é péssimo -> negativo
    ⊸ Black Mirror é uma série -> neutro
    10
    

    View Slide

11. Sentenças Subjetivas.
    ⊸ Sentimentos;
    ⊸ Opiniões;
    Subjetividade x Objetividade
    Sentenças Objetivas
    ⊸ Informações;
    ⊸ Fatos;
    11
    

    View Slide

12. 3.
    ETAPAS
    12
    

    View Slide

13. Coleta de Conteúdo
    ⊸ Busca em fontes;
    ⊸ Separar fatos de opiniões;
    ⊸ Web crawlers;
    13
    

    View Slide

14. Classificação
    ⊸ Descobrir a polaridade de uma
    opinião;
    ⊸ Técnicas Supervisionadas;
    ⊸ Técnicas não supervisionadas;
    14
    

    View Slide

15. Machine Learning
    ⊸ Fase de treinamento;
    ⊸ Amostras previamente classificadas;
    ⊸ Requer uma amostragem
    substancial;
    15
    

    View Slide

16. Machine Learning
    ⊸ Alta subjetividade;
    ⊸ Especialistas para classificar diversas
    sentenças;
    ⊸ Restrito ao contexto;
    16
    

    View Slide

17. Técnicas não Supervisionadas
    ⊸ Não requerem treinamento;
    ⊸ Não é restrito ao contexto;
    17
    

    View Slide

18. Abordagens Léxicas
    “Você é tão amorosa” Positivo!
    18
    Amor (+)
    Ódio (-)
    Gostoso (+)
    Legal (+)
    Infeliz (-)
    Cansado (-)
    Verdade (+)
    Entrada Dicionário Léxico Saída
    

    View Slide

19. Sumarização
    19
    ⊸ Apresentação dos Resultados;
    ⊸ Textual;
    ⊸ Gráfica;
    

    View Slide

20. LIVE AT
    TDC POA!
    20
    

    View Slide

21. Obrigada!
    Perguntas?
    @ngasonicunicorn
    fb.com/error404not
    betinacosta
    21
    

    View Slide