Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/91667
Título: | Sentiment analysis – a machine learning approach to improve customer service |
Autor(es): | Almeida, Catarina Campos |
Orientador(es): | Castro, Cecília Freitas, Ana |
Palavras-chave: | Sentiment analysis Natural language processing Machine learning Retail Análise de sentimento Processamento de linguagem natural Aprendizagem automática Retalho |
Data: | 27-Jul-2023 |
Resumo(s): | Companies currently have a large amount of textual data coming from e-mails
and/or forms sent by their customers. The cost associated with the manual response
to each customer is very high due to the massive amount of this type of information.
It is, therefore, in this sense of supporting the customer support team of a portuguese
retailer that this dissertation aims to contribute with an artificial intelligence model
capable of classifying the sentiment present in the messages sent by customers, as well
as with tools that allow the identification of the most present themes in the messages
that reach the team, from the most negative to the most positive feedbacks.
For this, this dissertation addresses text processing techniques applied to senti ment analysis, such as removing words that do not contribute significantly to the
identification of sentiment, known as stopwords and eliminating characters that may
interfere with the proper interpretation of the text.
In addition to text processing techniques, this dissertation presents a detailed
analysis of several models used in Sentiment Analysis. Traditional methods such
as naive Bayes, random forests, logistic regression, XGBoost, and ordinal regression
are explored, as well as approaches based on pre-trained models.
This dissertation resulted in the development of a machine learning model of
sentiment analysis. The model has a high ability to identify the sentiment present
in texts, which can assist the customer service team in responding to customers in
a personalized way, providing a more effective and satisfactory service. Atualmente, as empresas dispõem de uma grande quantidade de dados textuais provenientes de e-mails e/ou formulários enviados pelos seus clientes. O custo associado à resposta manual a cada cliente é muito elevado devido à quantidade massiva deste tipo de informação. É, então, neste sentido de apoiar a equipa de apoio ao cliente de um retalhista português que esta dissertação tem como objetivo contribuir com um modelo de inteligência artificial capaz de classificar o sentimento presente nas mensagens enviadas pelas clientes, bem como com ferramentas que permitam a identificação dos temas mais presentes nas mensagens que chegam à equipa, desde Os feedbacks mais negativos aos mais positivos. Para isto, esta dissertação aborda técnicas de processamento de texto aplicadas à análise de sentimento, como por exemplo remoção de palavras que não contribuem significativamente para a identificação de sentimentos, conhecido como stopwords e eliminação de caracteres que possam interferir na interpretação adequada do texto. Além das técnicas de tratamento de texto, esta dissertação apresenta uma análise detalhada de diversos modelos utilizados em análise de sentimento. São explorados métodos tradicionais, como naive Bayes random forests, logistic regression, XGBoost e ordinal regression, bem como abordagens baseadas em modelos pré-treinados. Esta dissertação resultou no desenvolvimento de um modelo de aprendizagem automática de análise de sentimento. O modelo possui uma alta capacidade de identificação do sentimento presente em textos o que pode auxiliar a equipa de apoio ao cliente na resposta personalizada aos clientes, proporcionando um atendimento mais eficaz e satisfatório. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Mathematics and Computer Science |
URI: | https://hdl.handle.net/1822/91667 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado DMAT - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Catarina Campos Almeida.pdf | Dissertação de mestrado | 3,34 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons