ViniciusKhan/bert-nps-feedback-analyzer

🤖 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
• Arquitetura: XLM-RoBERTa base (multilíngue, robusto para entradas longas)
• Tarefa: text-classification com 3 classes:
  • Negative
  • Neutral
  • Positive

---

📥 Uso do Modelo

🔧 Requisitos

pip install transformers torch

📦 Código de uso

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

---

📄 Licença

Este modelo é disponibilizado sob a licença MIT.