Conexão da Fase 2 da pesquisa com o contexto especialista de mercado de TI para o público de Buyers

Resumo

Grande parte dos textos disponíveis em redes sociais, reviews, chats, etc., são caros para analisar, entender e classificar. Técnicas de processamento de linguagem natural (PLN) auxiliam as empresas no entendimento de textos não-estruturados. O PLN auxilia na compreensão de texto da mesma forma que os humanos fazem. Ele tem sido utilizado em conjunto com técnicas de Aprendizado de Máquina para realizar diversas tarefas, como Classificação de Texto, Sumarização, Tradução Automática, Análise de Sentimentos, entre outras [1], [2], [3].A análise de sentimentos trata da aplicação de algoritmos que visam entender uma opinião sobre um determinado assunto a partir da linguagem escrita ou falada. Ela é um campo dentro do Processamento de Linguagem Natural (PLN) que constrói sistemas que identificam e extraem opiniões de textos. Pode identificar o assunto que está sendo discutido, a polaridade do texto, se tem uma opinião positiva ou negativa, por exemplo. Assim, o projeto prevê que os modelos possam ser segmentados para diferentes perfis de audiência no mercado de tecnologia, minimamente agrupando diferentes segmentos de mercado e diferentes perfis de profissionais por senioridade. Para isso, considera-se essencial contar com um ponto focal de interface especialista capaz de levantar e validar as diferentes opiniões dos usuários para definir os conjuntos positivos a serem passados nos modelos e métodos computacionais, desenvolvidos para processar os dados de avaliações de clientes e usuários de forma automática.Para o desenvolvimento de algoritmos de mineração de textos como sumarização, análise de sentimento e classificação, é preciso que a especialista identifique as classes, as informações relevantes como padrão ouro de comparação com os métodos de aprendizado de máquina. Desse modo, os algoritmos treinados poderão recuperar informações relevantes e auxiliarem a ajustar as estratégias de marketing, recomendações e inteligência de negócio. Também, busca-se propor métricas, qualitativas e quantitativas, para a correta verificação dos avanços e correções dos algoritmos propostos em relação aos clientes.Dadas as avaliações dos clientes, busca-se determinar o nível de assertividade das recomendações feitas, além do aprimoramento dos algoritmos para processamento da língua portuguesa, os quais são mais escassos. Para isso, serão utilizadas práticas de aprofundamento sobre os níveis de satisfação de usuários e medição qualitativa de elementos contextuais que permitam avaliar a assertividade das melhorias aplicadas nos modelos treinados. A bolsista auxiliará provendo informações especializadas e pareceres qualitativos sobre as necessidades dos usuários a partir de entrevistas e estudos online. Deverá, com isso, permitir a construção de conjuntos-verdade para validação dos algoritmos desenvolvidos em Aprendizagem de Máquina e em atividades de Recuperação da Informação.[1] Kowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 150.[2] Brown, P. F., Cocke, J., Della Pietra, S. A., Della Pietra, V. J., Jelinek, F., Lafferty, J., ... & Roossin, P. S. (1990). A statistical approach to machine translation. Computational linguistics, 16(2), 79-85.[3] Mosa, M. A., Anwar, A. S., & Hamouda, A. (2019). A survey of multiple types of text summarization with their satellite contents based on swarm intelligence optimization algorithms. Knowledge-Based Systems, 163, 518-532.