Analiste adaptativa de fluxo de sentimento

Nos últimos anos, a tarefa de análise de sentimentos tem atraído muito interesse por parte da comunidade de Aprendizado de Máquina. Com o advento dos canais de mídias sociais essa análise tem ganhado força, isso porque nessas aplicações, os usuários são convidados, continuamente, a compartilhar suas opiniões e sentimento sobre diferentes tópicos de discussão. Como consequência, uma grande massa de conteúdo opinativo é gerada em tempo real. Muitas técnicas de classificação automática têm sido utilizadas para realizar a análise de sentimento, contudo é consenso que o modelo de chegada de mensagens a partir de mídias sociais segue o paradigma de fluxo de dados e as técnicas de classificação tradicionais não estão adequadas para tratar as características especificas desse fluxo de sentimento. Entre os desafios impostos às técnicas classificação podemos destacar: (1) o sentiment drift (i.e., constantes mudanças nas características dos dados), (2) a necessidade de atualização em tempo real do modelo de classificação a partir de mensagens mais recentes e (3) a quantidade limitada de dados para treinamento dos algoritmos. Neste trabalho, esses problemas foram estudados.