Aprendizado de máquina aplicado a análise de sentimento em avaliações de usuários de aplicativos do Google Play

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorWojciechowski, Jaime, 1965--
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Educação Profissional e Tecnológica. Curso de Especialização em Inteligência Artificial Aplicada-
Autor(es): dc.creatorEvangelista, Josué Leal-
Data de aceite: dc.date.accessioned2025-09-01T12:52:26Z-
Data de disponibilização: dc.date.available2025-09-01T12:52:26Z-
Data de envio: dc.date.issued2023-04-17-
Data de envio: dc.date.issued2023-04-17-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/1884/82053-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/82053-
Descrição: dc.descriptionOrientador: Prof. Dr. Jaime Wojciechowski-
Descrição: dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Educação Profissional e Tecnológica, Curso de Especialização em Inteligência Artificial Aplicada.-
Descrição: dc.descriptionInclui referências: p. 11-12-
Descrição: dc.descriptionResumo: O estudo apresentado neste documento trata da técnica de aprendizado de máquina supervisionada aplicada a análise de sentimento. Essa técnica foi utilizada para predição de sentimentos em avaliações textuais de usuários de aplicativos do Google Play. Para isso, foram usados para previsão classificadores como o Decision Tree, K-Nearest Neighbor (K-NN), Nayve Bayes e o Extreme Gradient Boosting (XGBoost). Esses classificadores foram aplicados em dois datasets: um com saída de duas classes (binário) e outro de três classes (ternário). Além disso, utilizou-se em cada classificação a vetorização Count Vectorizer (CV) e a Term Frequency-Inverse Document Frequency (TF-IDF). A linguagem Python com algumas de suas bibliotecas e módulos foi utilizada nas etapas do trabalho. Os melhores resultados na classificação binária foram obtidos pelo modelo XGBoost com acurácias de 0,9380 com a vetorização CV e 0,9382 com a TF-IDF. Em segundo lugar, o Naive Bayes com acurácias de 0,9312 com a vetorização CV e 0,9264 com a TF-IDF. Na classificação multiclasse, manteve-se as colocações, uma vez que o XGBoost obteve acurácias de 0,7281 com a vetorização CV e 0,728 com a TF-IDF e o Naive Bayes alcançou acurácias de 0,7081 e 0,7078 com a vetorização CV e TF-IDF respectivamente.-
Formato: dc.format1 recurso online : PDF.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectAplicativos - Recursos eletrônicos de informação-
Palavras-chave: dc.subjectTecnologia - Avaliação-
Título: dc.titleAprendizado de máquina aplicado a análise de sentimento em avaliações de usuários de aplicativos do Google Play-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.