EXPLORANDO O FRAMEWORK

PYABSA PARA ANÁLISE DE

SENTIMENTO BASEADA EM
ASPECTOS EM
PORTUGUÊS

João Paulo brito de Almeida

 Visão geral
O trabalho se propõe a adaptar o framework
PyABSA para a língua portuguesa, implementando
seus modelos nos dados disponíveis e avaliando o
quanto ele se adapta para ABSA em português.
 Objetivos e Metas

Meta # 1 Meta # 2 Meta # 3

Preparar o conjunto de Definir a configuração do Treinar o modelo, realizar
dados no formato treinamento. Escolher o a avaliação quantitativa e
adequado. O PyABSA modelo, hiperparâmetros a análise qualitatativa e
suporta conjuntos de e outras configurações fazer a Inferência
dados no formato CoNLL globais.
 PyABSA
O PyABSA é um framework de código
aberto para análise de sentimento baseada
em aspectos desenvolvido em Python que
foi criado para possibilitar a reprodução e
comparabilidade de resultados de modelos
de ABSA de forma modularizada. Ele
fornece implementações de vários modelos
estado-da-arte para as principais tarefas
da ABSA, como Extração de Termos de
Aspecto (ATE), Classificação de Sentimento
de Aspecto (ASC) e Análise de Sentimento
Baseada em Aspectos de ponta a ponta
(E2EABSA).
 A arquitetura do PYABSA
A arquitetura do PYABSA (PyABSA) segue um design modular com
5 principais módulos:

1. Gerenciador de configuração: Utilizado para configurar o

ambiente de treinamento, hiperparâmetros do modelo e outras
configurações globais. Salva e carrega as configurações de
forma síncrona com os checkpoints.
2. Treinador: Responsável pelo treinamento do modelo com o
conjunto de dados, podendo usar validação cruzada. Aceita
diferentes funções de perda. Detecta automaticamente a
existência de conjuntos de teste/validação.
3. Gerenciador de conjunto de dados: Gerencia os conjuntos de
dados, permitindo combiná-los para treinamento/teste.
Responsável por localizar e carregar os arquivos de dados.
Inclui ferramentas para anotação manual e automática de
novos conjuntos de dados.
4. Gerenciador de checkpoint: Fornece métodos para carregar
checkpoints locais, da nuvem ou retornados pelo treinador,
padronizando o processo de inferência.
5. Visualizador de métricas: Registra, mede e visualiza
automaticamente métricas como precisão, recall, desvio
padrão para vários modelos, facilitando a avaliação e
comparação justa. Gera gráficos como caixa, violino,
trajetória.