Avaliação Automática de Conteúdo de Aplicações de Reclamação Online
Resumo
A Internet tem vivenciado uma notória expansão e popularização nos últimos anos. Estima-se que até o ano de 2020 haja cerca de 40 trilhões de gigabytes de dados gerados. Existem diversos cenários onde novas técnicas e metodologias vêm sendo propostas para que informações relevantes possam ser extraídas desse grande volume de dados. Um exemplo recente são as aplicações reclamações online, tais como ReclameAqui, que funcionam como porta voz de consumidores insatisfeitos que relatam suas experiências ruins com determinados produtos e/ou serviços. Esses dados podem representar uma rica fonte de informação que pode ser utilizada por empresas em seu aperfeiçoamento. Nesse trabalho propomos uma metodologia que, por meio da combinação de técnicas de modelagem de tópicos e análise de sentimento, é capaz de extrair desses dados informações úteis, ricas em detalhes, que possam contribuir para empresas identificarem de forma mais consistente e rápida problemas nos produtos e serviços. Avaliamos nossa metodologia com coleção de comentários coletados da aplicação ReclameAqui, outra do Twitter e outra do PROCON, todas elas relacionadas às quatro maiores empresas de telefonia do Brasil (TIM, OI, VIVO e CLARO). Em nossas avaliações demonstramos que a riqueza de detalhes que podem ser extraídas do ReclameAqui e do Twitter são bem maiores quando comparadas a aquelas registradas no PROCON. Além disso, demonstrando que, por ser uma aplicação extremamente informal, extrair informações do Twitter exige mais recurso computacional e humano, o que torna os comentários de aplicações de reclamação online a melhor alternativa para se extrair informações úteis.
Palavras-chave:
Modelagem de Tópicos, Análise de Sentimento, Aplicações Internet-Based
Referências
Almeida, T. G., Souza, B. A., Menezes, A. A., Figueiredo, C., and Nakamura, E. F. Sentiment analysis of portuguese comments from foursquare. In Proceedings of the 22nd Brazilian Symposium on Multimedia and the Web. ACM, pp. 355–358, 2016.
Auden, W. H. The Complete Works of W. H. Auden: Prose. Vol. 2. Princeton University Press, 2002.
Cheng, X., Yan, X., Lan, Y., and Guo, J. Btm: Topic modeling over short texts. IEEE Transactions on Knowledge and Data Engineering 26 (12): 2928–2941, 2014.
Gilbert, C. H. E. Vader: A parsimonious rule-based model for sentiment analysis of social media text. In Eighth International Conference on Weblogs and Social Media (ICWSM-14). Available at (20/04/16) [link], 2014.
Hong, L. and Davison, B. D. Empirical study of topic modeling in twitter. In Proceedings of the first workshop on social media analytics. ACM, pp. 80–88, 2010.
Jankowski-Lorek, M. and Zieliński, K. Document controversy classification based on the wikipedia category structure. Computer Science vol. 16, 2015.
Luiz, W., Viegas, F., Alencar, R., Mourão, F., Salles, T., Carvalho, D., Gonçalves, M. A., and Rocha, L. A feature-oriented sentiment rating for mobile app reviews. In Proceedings of the 2018 World Wide Web Conference. WWW ’18. International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, Switzerland, pp. 1909–1918, 2018.
Pak, A. and Paroubek, P. Twitter as a corpus for sentiment analysis and opinion mining. In LREc. Vol. 10, 2010.
Rocha, L., Mourão, F., Silveira, T., Chaves, R., Sa, G., Teixeira, F., Vieira, R., and Ferreira, R. Saci: Sentiment analysis by collective inspection on social media content. Web Semantics: Science, Services and Agents on the World Wide Web vol. 34, pp. 27–39, 2015.
Sá, G., Silveira, T., Chaves, R., Teixeira, F., Mourão, F., and Rocha, L. Legi: Context-aware lexicon consolidation by graph inspection. In Proceedings of the 29th Annual ACM Symposium on Applied Computing. ACM, pp. 302–307, 2014.
Zhao, W. X., Jiang, J., Weng, J., He, J., Lim, E.-P., Yan, H., and Li, X. Comparing twitter and traditional media using topic models. In European Conference on Information Retrieval. Springer, pp. 338–349, 2011.
Auden, W. H. The Complete Works of W. H. Auden: Prose. Vol. 2. Princeton University Press, 2002.
Cheng, X., Yan, X., Lan, Y., and Guo, J. Btm: Topic modeling over short texts. IEEE Transactions on Knowledge and Data Engineering 26 (12): 2928–2941, 2014.
Gilbert, C. H. E. Vader: A parsimonious rule-based model for sentiment analysis of social media text. In Eighth International Conference on Weblogs and Social Media (ICWSM-14). Available at (20/04/16) [link], 2014.
Hong, L. and Davison, B. D. Empirical study of topic modeling in twitter. In Proceedings of the first workshop on social media analytics. ACM, pp. 80–88, 2010.
Jankowski-Lorek, M. and Zieliński, K. Document controversy classification based on the wikipedia category structure. Computer Science vol. 16, 2015.
Luiz, W., Viegas, F., Alencar, R., Mourão, F., Salles, T., Carvalho, D., Gonçalves, M. A., and Rocha, L. A feature-oriented sentiment rating for mobile app reviews. In Proceedings of the 2018 World Wide Web Conference. WWW ’18. International World Wide Web Conferences Steering Committee, Republic and Canton of Geneva, Switzerland, pp. 1909–1918, 2018.
Pak, A. and Paroubek, P. Twitter as a corpus for sentiment analysis and opinion mining. In LREc. Vol. 10, 2010.
Rocha, L., Mourão, F., Silveira, T., Chaves, R., Sa, G., Teixeira, F., Vieira, R., and Ferreira, R. Saci: Sentiment analysis by collective inspection on social media content. Web Semantics: Science, Services and Agents on the World Wide Web vol. 34, pp. 27–39, 2015.
Sá, G., Silveira, T., Chaves, R., Teixeira, F., Mourão, F., and Rocha, L. Legi: Context-aware lexicon consolidation by graph inspection. In Proceedings of the 29th Annual ACM Symposium on Applied Computing. ACM, pp. 302–307, 2014.
Zhao, W. X., Jiang, J., Weng, J., He, J., Lim, E.-P., Yan, H., and Li, X. Comparing twitter and traditional media using topic models. In European Conference on Information Retrieval. Springer, pp. 338–349, 2011.
Publicado
22/10/2018
Como Citar
FÉLIX, Lucas G. S.; SILVEIRA, João Victor; LUIZ, Washington; DIAS, Diego; ROCHA, Leonardo.
Avaliação Automática de Conteúdo de Aplicações de Reclamação Online. In: SYMPOSIUM ON KNOWLEDGE DISCOVERY, MINING AND LEARNING (KDMILE), 6. , 2018, São Paulo/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2018
.
p. 49-56.
ISSN 2763-8944.
DOI: https://doi.org/10.5753/kdmile.2018.27384.
