Revisão de métodos para classificação semântica de texto

Avanços recentes na classificação de texto têm se concentrado na aplicação de técnicas de aprendizado de máquina e aprendizado profundo. Métodos tradicionais como Naive Bayes, Regressão Logística e Máquinas de Vetores de Suporte (SVM) têm sido amplamente utilizados devido à sua eficiência e simplicidade. No entanto, o advento do aprendizado profundo introduziu modelos mais complexos como Redes Neurais Artificiais (ANN), Redes Neurais Convolucionais (CNN) e Redes Neurais Recorrentes (RNN), que podem extrair automaticamente características e detectar padrões intrincados em dados textuais. Além disso, modelos baseados em transformers, como BERT, estabeleceram novos padrões em tarefas de classificação de texto. Apesar de sua alta precisão, esses modelos requerem recursos computacionais substanciais e nem sempre são práticos para todas as aplicações. A pesquisa em andamento visa equilibrar precisão e eficiência computacional. Propósito da Pesquisa. O objetivo principal deste estudo é revisar e comparar vários métodos de classificação automática de texto com base na análise de sentimentos. Esta pesquisa visa avaliar a precisão preditiva de diferentes modelos, incluindo algoritmos tradicionais de aprendizado de máquina e abordagens modernas de aprendizado profundo, e fornecer insights sobre suas aplicações práticas e limitações. Apresentação do Material de Pesquisa Principal. Este estudo utiliza o “Conjunto de Dados IMDB de 50K Críticas de Filmes” para treinar e testar vários modelos de classificação de texto. O conjunto de dados compreende críticas de filmes e seus rótulos de sentimento associados, positivos ou negativos. A pesquisa emprega várias etapas de pré-processamento. Para extração de características, são utilizados métodos como Bag-of-Words (BoW), TF-IDF (Frequência de Termo-Frequência Inversa de Documento) e Word2Vec. Essas características são então alimentadas em vários classificadores: Naive Bayes, Máquinas de Vetores de Suporte (SVM), Regressão Logística, Modelos de Aprendizado Profundo. Conclusões. A análise comparativa revela que, embora métodos tradicionais de aprendizado de máquina como Naive Bayes, SVM e Regressão Logística sejam eficientes e fáceis de implementar, modelos de aprendizado profundo oferecem precisão superior ao capturar padrões mais complexos nos dados. No entanto, as demandas computacionais dos modelos de aprendizado profundo, particularmente transformers, limitam sua aplicabilidade em ambientes com recursos restritos. Pesquisas futuras devem se concentrar na otimização desses modelos para equilibrar precisão e eficiência computacional, tornando a classificação avançada de texto acessível para uma gama mais ampla de aplicações.