File size: 3,678 Bytes
9499fda | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 | ---
language:
- pt
tags:
- sentiment-analysis
- nps
- text-classification
- portuguese
license: mit
pipeline_tag: text-classification
datasets:
- nps
- customer-feedback
---
# 🤖 BERT NPS Feedback Analyzer (PT-BR)
Este modelo é uma adaptação de `cardiffnlp/twitter-xlm-roberta-base-sentiment` voltada para a **análise de sentimentos em textos longos de NPS** (Net Promoter Score), com foco em avaliações técnicas, institucionais e operacionais típicas de ambientes corporativos.
---
## 🧠 Contexto do Problema
Frases de NPS corporativas em português tendem a ser extensas e mistas, contendo tanto elogios quanto críticas em uma mesma resposta. A maioria dos modelos tradicionais apresenta falhas ao interpretar esse tipo de conteúdo, classificando erroneamente como **negativo** textos que relatam **problemas já resolvidos** ou **experiências neutras**.
---
## 🏗️ Arquitetura do Modelo
- **Base**: [`cardiffnlp/twitter-xlm-roberta-base-sentiment`](https://huggingface.co/cardiffnlp/twitter-xlm-roberta-base-sentiment)
- **Arquitetura**: XLM-RoBERTa base (multilíngue, robusto para entradas longas)
- **Tarefa**: `text-classification` com 3 classes:
- `Negative`
- `Neutral`
- `Positive`
---
## 📥 Uso do Modelo
### 🔧 Requisitos
```bash
pip install transformers torch
```
### 📦 Código de uso
```python
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch.nn.functional as F
import torch
# Nome do modelo no Hugging Face Hub
modelo = "ViniciusKhan/bert-nps-feedback-analyzer"
# Carregar modelo e tokenizer
tokenizer = AutoTokenizer.from_pretrained(modelo)
model = AutoModelForSequenceClassification.from_pretrained(modelo)
# Texto de NPS para avaliação
texto = """
Conversei com Alexandre em 20/06 e ele relatou insatisfação com os relatórios, pois vieram misturados.
O chamado foi resolvido e desde então me procura sempre que precisa. Está satisfeito com os serviços atuais.
"""
# Tokenizar e inferir
inputs = tokenizer(texto, return_tensors="pt", truncation=True)
with torch.no_grad():
outputs = model(**inputs)
probs = F.softmax(outputs.logits, dim=1)
# Rótulos
classes = ['Negative', 'Neutral', 'Positive']
classe_predita = classes[probs.argmax().item()]
print("Sentimento:", classe_predita)
```
---
## ✅ Aplicações práticas
Este modelo é ideal para:
- Classificação de feedback de clientes em **SAC, helpdesk e pós-venda**
- Avaliação de **sentimento em pesquisas de satisfação (NPS)**
- Processamento automatizado de tickets e reclamações
- Sistemas de BI e dashboards com análise textual
---
## 🗂️ Estrutura do Repositório
| Arquivo | Descrição |
|----------------------|-------------------------------------|
| `pytorch_model.bin` | Pesos do modelo |
| `config.json` | Configuração do modelo |
| `tokenizer.json` | Vocabulário do tokenizer |
| `README.md` | Descrição técnica do modelo |
---
## 🧬 Dataset original do modelo base
O modelo base foi treinado com dados multilingues do Twitter, incluindo português, e adaptado para generalização ampla de sentimentos. A robustez do XLM-RoBERTa permite interpretar frases com vocabulário técnico e institucional mesmo sem fine-tuning adicional.
---
## 👨💻 Autor
**Vinicius de Souza Santos**
Cientista de Dados • IFSP • Especialista em Machine Learning aplicado a serviços e experiência do cliente
🔗 [GitHub](https://github.com/ViniciusKanh)
---
## 📄 Licença
Este modelo é disponibilizado sob a licença MIT.
|