promosense-modelo

PromoSense — Modelo de Análise de Sentimento (v3)

Modelo de classificação de sentimento em avaliações de e-commerce brasileiro, com foco em períodos promocionais (Double Dates, Black Friday).

Desenvolvido como parte do Projeto Integrador do curso de Tecnólogo em Análise e Desenvolvimento de Sistemas — Senac Recife.

---

Uso

from transformers import pipeline

clf = pipeline(
    "text-classification",
    model="Amand4priscil4/promosense-modelo",
    truncation=True,
    max_length=128
)

# Mapeamento de labels
LABEL_MAP = {
    "LABEL_0": "negativo",
    "LABEL_1": "neutro",
    "LABEL_2": "positivo"
}

texto = "Produto chegou antes do prazo, qualidade ótima, super recomendo!"
resultado = clf(texto)[0]
sentimento = LABEL_MAP[resultado["label"]]
print(f"{sentimento} ({resultado['score']:.2%})")
# positivo (98.45%)

---

Modelo Base

• Arquitetura: BERT
• Base: neuralmind/bert-base-portuguese-cased (BERTimbau)
• Tarefa: Classificação de sequência (3 classes)

---

Labels

---

Histórico dos Modelos

Modelo v1 — rotulagem por nota

• Dataset: olist_processado.csv (35.246 avaliações)
• Problema crítico: nunca previa neutro — F1 neutro = 0.00
• Accuracy no ground truth v1: 83.6% (92/110)

Modelo v2 — rotulagem híbrida (léxico 150 expressões)

• Dataset: olist_rotulado_hibrido.csv — neutros: 3.212
• Accuracy treino: 87.03% | F1 macro: 79.50%
• Accuracy ground truth v1: 90.00% (99/110)
• Limitação: F1 neutro = 0.03

Modelo v3 (atual) — rotulagem híbrida (léxico 412 expressões)

• Dataset: olist_rotulado_hibrido_v3.csv — neutros: 5.318
• Léxico expandido de 150 para 412 expressões (módulo promosense-lexico)
• Treinamento: HuggingFace Trainer, 3 épocas, batch 16, lr padrão, GPU T4, fp16

---

Dataset de Treinamento (v3)

• Fonte: Olist (avaliações de e-commerce brasileiro)
• Total de amostras: 35.246 avaliações
• Rotulagem: Híbrida — nota + léxico de 412 expressões + conectivos de contraste
• Distribuição após rotulagem híbrida v3:

Hiperparâmetros de Treinamento

---

Avaliação

Treino (Olist — conjunto de teste 20%)

Relatório por Classe (conjunto de teste — 7.050 amostras)

Matriz de Confusão (conjunto de teste)

Ground Truth Manual (Shopee)

---

Comparativo entre Versões

---

ABSA — Análise de Sentimento por Aspecto

Além da classificação geral, o PromoSense implementa ABSA híbrida: léxico de 412 expressões para detecção de sentimento + BERTimbau como fallback + léxico de palavras-chave para detecção de aspecto.

Métricas ABSA (418 avaliações do ground truth)

Por aspecto

---

Limitações Conhecidas

• Neutro ainda subclassificado: F1 = 0.42 no treino — melhora significativa em relação ao v2 (0.03), mas ainda há espaço para evolução.
• Avaliações mistas: Textos que combinam elogios e críticas tendem a ser classificados como positivo ou negativo, raramente neutro.
• Entrega com precision baixa (0.44): Palavras como "chegou" e "embalado" aparecem em textos de outros aspectos na ABSA.

---

Trabalho Futuro

• Melhorar F1 de neutro (meta: > 0.50)
• Expandir léxico com expressões de gírias e neologismos
• Melhorar detecção de aspecto "entrega" no léxico ABSA
• Integrar resultados ABSA ao MongoDB + dashboard

---

Léxico

O léxico utilizado neste modelo está disponível como módulo Python independente:

kellvyno/promosense-lexico

pip install git+https://github.com/kellvyno/promosense-lexico.git

---

Equipe

---

Repositório

amand4priscil4/PROMOSENSE

---

Citação

@misc{promosense2026,
  title={PromoSense: Análise de Sentimento em Avaliações de E-commerce Brasileiro em Períodos Promocionais},
  author={Amanda and Lucas and Kellvyn},
  year={2026},
  institution={Senac Recife — Tecnólogo em Análise e Desenvolvimento de Sistemas}
}