OpenAI define benchmark para análise de sentimentos usando mLSTM

Os pesquisadores da OpenAI foram capazes de usar um modelo recorrente de mLSTM treinado em avaliações da Amazon para identificar o sentimento de blocos de texto. Além disso, a equipe conseguiu gerar novo texto com sentimento personalizável.

Nem os LSTMs nem a análise de sentimentos são novos, mas combiná-los de uma forma que, segundo os relatos, quebra os registros da precisão da análise de sentimentos em conjuntos de dados de benchmarking comumente utilizados é válido notar, especialmente quando você considera a eficiência dos modelos.

O modelo da equipe só superou os métodos existentes em dois dos quatro conjuntos de dados de classificação de texto pequeno, os conjuntos de dados MR e CR. Esses conjuntos são formados por Rotten Tomatoes e avaliações de produtos da Amazon. Enquanto isso, a OpenAI era incapaz de vencer os métodos existentes para os conjuntos de dados SUBJ e MPQA. A OpenAI diz que pode igualar o desempenho com apenas um punhado de exemplos de treinamento rotulados.

[awprm urls=https://imasters.com.br/noticia/meekalabs-quer-desenvolver-chatbots↳Chatbots21 conteúdosiMasters Case – Cresce uso de chatbots no WhatsAppDevSecOps · nov 2020Criando um ChatBot em menos de 5 minutos? Sim, é possível!AI · abr 2019Chatbots que analisam tom de voz e texto reduzem frustração em atendimentosAI · jul 2025Ver tudo em AI →-capazes-de-reconher-sentimentos/,https://imasters.com.br/desenvolvimento/analise-de-dados-desenvolvimento/realizando-o-processo-de-analise-de-sentimento-do-twitter-em-go/]

Como o modelo foi treinado para ser generativo, também foi capaz de produzir reviews com sentimentos predefinidos. A tabela abaixo mostra uma variedade aleatória de exemplos para reviews positivos e negativos.

Esses resultados são legais, mas se você é totalmente novo nisso, vamos dar alguns passos para trás. Mesmo antes de machine learning, os engenheiros interessados em classificar o sentimento empregariam heurísticas relativamente idiotas como a busca por palavras-chave para realizar o trabalho. No entanto, com esses métodos, uma frase como “Espero que você esteja feliz” poderia facilmente ser mal interpretada como tendo uma conotação positiva simplesmente porque possui a palavra feliz. O contexto importa; o que é dito antes imediatamente impacta o significado do que é dito depois. É claro que se essa frase foi precedida por “Você o matou”, a interpretação seria diferente.

As abordagens de machine learning para o sentimento tornaram-se comuns para interpretar a intenção em interfaces de conversação e fazer recomendações de produtos adequadas ao humor, entre outras coisas. Mais recentemente, os LSTMs (ou redes de neurônios recorrentes de memória de longo prazo) chamaram a atenção por causa de sua capacidade de acompanhar o contexto em intervalos de tempo mais longos.

O trabalho de Andrej Karpathy, Justin Johnson e Fei-Fei Li, a partir de 2015 em redes recorrentes, colocou grande parte do trabalho de base no papel da OpenAI. Essa equipe mostrou que os LSTMs podem acompanhar atributos de texto como aspas, comprimentos de linha e colchetes em células interpretáveis.

Alec Radford, um dos três pesquisadores que escreveram o artigo do OpenAI, disse ao TechCrunch que como seu modelo está operando no nível de personagem em vez de no nível de palavra, os documentos podem ter 10 mil carimbos de tempo neles. Um intervalo de tempo tão grande pode ser um desafio para os LSTMs. Geralmente, os pesquisadores têm sido capazes de obter grandes resultados apesar dessas limitações, mas a busca da perfeição é outra história.