Automatização do Processamento do Texto Bruto Oriundo de um Serviço de Atendimento de Reclamações
Resumo
Análise de textos oriundos de serviços de atendimento ao consumidor é uma importante ferramenta para avaliação da qualidade do atendimento dispensado aos consumidores pelos fornecedores. Neste trabalho foi realizada uma análise exploratória do texto extraído das respostas às reclamações de consumidores de serviços de telecomunicações para elaboração de uma rotina de limpeza capaz de reduzir a dimensionalidade e o ruído do modelo de representação de dados. A rotina apresentou resultados bastante satisfatórios, reduzindo a dimensionalidade e o ruído do modelo de representação de dados, contribuindo para a construção de classificadores mais eficientes.
Palavras-chave:
Processamento de Textos, Aprendizado de Máquina, Modelos de Classificação
Referências
Aas, K. and Eikvil, L. (1999). Text Categorisation: A Survey.
Aggarwal, C. C. (2015). Data Mining. Cham: Springer International Publishing.
Anatel (2020a). Painéis de Dados da Anatel. https://www.anatel.gov.br/paineis/. Acessado em: 2 junho 2021.
Anatel (2020b). Plano Estratégico Conectando a Anatel ao Futuro. [link].
Anatel (2020c). Instruções - Planilha de Avaliação Qualitatia da Resposta. [link]. Acesso em: 11 fevereiro 2021.
Anatel (2021). Panorama - Reclamações 2020. [link]. Acesso em: 11 fevereiro 2021.
Bechara, E. [Ed.] (2017). Vocabulário Ortográfico da Língua Portuguesa. 6.a ed. Rio de Janeiro (RJ): Academia Brasileira de Letras.
Faed, A., Chang, E., Saberi, M., Hussain, O. K. and Azadeh, A. (2016). Intelligent customer complaint handling utilising principal component and data envelopment analysis (PDA). Applied Soft Computing Journal, v. 47, p. 614–630.
García Adeva, J. J., Pikatza Atxa, J. M., Ubeda Carrillo, M. and Ansuategi Zengotitabengoa, E. (2014). Automatic text classification to support systematic reviews in medicine. Expert Systems with Applications, v. 41, n. 4 PART 1, p. 1498–1508.
Gomez, J. C. and Moens, M. F. (2012). PCA document reconstruction for email classification. Computational Statistics and Data Analysis, v. 56, n. 3, p. 741–751.
Guzella, T. S. and Caminhas, W. M. (2009). A review of machine learning approaches to Spam filtering. Expert Systems with Applications, v. 36, n. 7, p. 10206–10222.
Liu, Y., Wang, Y., Feng, L. and Zhu, X. (2016). Term frequency combined hybrid feature selection method for spam filtering. Pattern Analysis and Applications, v. 19, n. 2, p. 369–383.
Manning, C. D., Raghavan, P. and Schütze, H. (2008). Introduction to Information Retrieval. Cambridge: Cambridge University Press.
Mascarenhas, Tamara A. T., Bonfante, Andreia G. (2017). Classificação de documentos de patentes usando o Doc2vec. Anais da VI Escola Regional de Informática da Sociedade Brasileira de Computação (SBC)-Regional de Mato Grosso, p. 28.
ONU (2015). Transformando Nosso Mundo: A Agenda 2030 para o Desenvolvimento Sustentável. https://nacoesunidas.org/wp-content/uploads/2015/10/agenda2030-pt-br.pdf. Acessado em: 2 junho 2021.
Ordenes, F. V., Theodoulidis, B., Burton, J., Gruber, T. and Zaki, M. (2014). Analyzing Customer Experience Feedback Using Text Mining: A Linguistics-Based Approach. Journal of Service Research, v. 17, n. 3, p. 278–295.
Pedregosa et al. (2011). Scikit-learn: Machine Learning in Python. JMLR. v. 12, n. 85, p. 2825-2830.
Salton, G., Wong, A. and Yang, C. S. (1975). A Vector Space Model for Automatic Indexing. Commun. ACM, v. 18, n. 11, p. 613–620.
Silva, Fábio R. A., Bonfante, Andreia G., Martins, Claudia A. (2017). Deep Learning Aplicado à Análise de Sentimento em Linguagem Figurativa. Anais da VI Escola Regional de Informática da Sociedade Brasileira de Computação (SBC)-Regional de Mato Grosso, p. 12.
Sokolova, M. and Lapalme, G. (2007). Performance measures in classification of human communications. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), v. 4509 LNAI, p. 159–170.
Sulieman, L., Gilmore, D., French, C., et al. (2017). Classifying patient portal messages using Convolutional Neural Networks. Journal of Biomedical Informatics, v. 74, p. 59–70.
Aggarwal, C. C. (2015). Data Mining. Cham: Springer International Publishing.
Anatel (2020a). Painéis de Dados da Anatel. https://www.anatel.gov.br/paineis/. Acessado em: 2 junho 2021.
Anatel (2020b). Plano Estratégico Conectando a Anatel ao Futuro. [link].
Anatel (2020c). Instruções - Planilha de Avaliação Qualitatia da Resposta. [link]. Acesso em: 11 fevereiro 2021.
Anatel (2021). Panorama - Reclamações 2020. [link]. Acesso em: 11 fevereiro 2021.
Bechara, E. [Ed.] (2017). Vocabulário Ortográfico da Língua Portuguesa. 6.a ed. Rio de Janeiro (RJ): Academia Brasileira de Letras.
Faed, A., Chang, E., Saberi, M., Hussain, O. K. and Azadeh, A. (2016). Intelligent customer complaint handling utilising principal component and data envelopment analysis (PDA). Applied Soft Computing Journal, v. 47, p. 614–630.
García Adeva, J. J., Pikatza Atxa, J. M., Ubeda Carrillo, M. and Ansuategi Zengotitabengoa, E. (2014). Automatic text classification to support systematic reviews in medicine. Expert Systems with Applications, v. 41, n. 4 PART 1, p. 1498–1508.
Gomez, J. C. and Moens, M. F. (2012). PCA document reconstruction for email classification. Computational Statistics and Data Analysis, v. 56, n. 3, p. 741–751.
Guzella, T. S. and Caminhas, W. M. (2009). A review of machine learning approaches to Spam filtering. Expert Systems with Applications, v. 36, n. 7, p. 10206–10222.
Liu, Y., Wang, Y., Feng, L. and Zhu, X. (2016). Term frequency combined hybrid feature selection method for spam filtering. Pattern Analysis and Applications, v. 19, n. 2, p. 369–383.
Manning, C. D., Raghavan, P. and Schütze, H. (2008). Introduction to Information Retrieval. Cambridge: Cambridge University Press.
Mascarenhas, Tamara A. T., Bonfante, Andreia G. (2017). Classificação de documentos de patentes usando o Doc2vec. Anais da VI Escola Regional de Informática da Sociedade Brasileira de Computação (SBC)-Regional de Mato Grosso, p. 28.
ONU (2015). Transformando Nosso Mundo: A Agenda 2030 para o Desenvolvimento Sustentável. https://nacoesunidas.org/wp-content/uploads/2015/10/agenda2030-pt-br.pdf. Acessado em: 2 junho 2021.
Ordenes, F. V., Theodoulidis, B., Burton, J., Gruber, T. and Zaki, M. (2014). Analyzing Customer Experience Feedback Using Text Mining: A Linguistics-Based Approach. Journal of Service Research, v. 17, n. 3, p. 278–295.
Pedregosa et al. (2011). Scikit-learn: Machine Learning in Python. JMLR. v. 12, n. 85, p. 2825-2830.
Salton, G., Wong, A. and Yang, C. S. (1975). A Vector Space Model for Automatic Indexing. Commun. ACM, v. 18, n. 11, p. 613–620.
Silva, Fábio R. A., Bonfante, Andreia G., Martins, Claudia A. (2017). Deep Learning Aplicado à Análise de Sentimento em Linguagem Figurativa. Anais da VI Escola Regional de Informática da Sociedade Brasileira de Computação (SBC)-Regional de Mato Grosso, p. 12.
Sokolova, M. and Lapalme, G. (2007). Performance measures in classification of human communications. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), v. 4509 LNAI, p. 159–170.
Sulieman, L., Gilmore, D., French, C., et al. (2017). Classifying patient portal messages using Convolutional Neural Networks. Journal of Biomedical Informatics, v. 74, p. 59–70.
Publicado
23/11/2021
Como Citar
FREITAS, Maxwel de S.; ANDREÃO, Rodrigo V..
Automatização do Processamento do Texto Bruto Oriundo de um Serviço de Atendimento de Reclamações. In: ESCOLA REGIONAL DE INFORMÁTICA DO RIO DE JANEIRO (ERI-RJ), 4. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 72-79.
DOI: https://doi.org/10.5753/eri-rj.2021.18777.
