NLP de avaliações Olist
NLP
Deep Learning
Previsão da nota (1–5★) a partir do texto de avaliações em português: TF-IDF + modelos clássicos vs. fine-tuning do BERTimbau.
Problema
Prever a nota de avaliação (alvo ordinal de 1 a 5 estrelas) a partir do texto escrito pelos clientes de um e-commerce brasileiro, e entender o que motiva as reclamações mais graves.
Abordagem
Abordagem clássica (TF-IDF com Regressão Logística, SVM e LightGBM) comparada com fine-tuning de um transformer em português (BERTimbau), além de extração de tópicos das reclamações.
Tecnologias
Python scikit-learn LightGBM Transformers BERTimbau PyTorch Streamlit
Resultados
O BERTimbau fine-tunado alcançou QWK 0,8640, contra 0,8169 do TF-IDF + SVM. Mas o SVM é cerca de 147x mais rápido em inferência e dispensa GPU, e o projeto registra esse trade-off, não só o vencedor.