Hugging Face's logo

Spaces:
layers2024
/
sentiment-analysis
Sleeping

App Files Community
sentiment-analysis
File size: 5,241 Bytes 
7d55822
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f5ed598
 
 
 
 
7d55822
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f5ed598
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
 
import gradio as gr
from transformers import AutoTokenizer, TFAutoModelForSequenceClassification
import tensorflow as tf

# Load BERT model
def load_models():
    models = {}
    try:
        models['BERT'] = {
            'model': TFAutoModelForSequenceClassification.from_pretrained("layers2024/bert-sentiment"),
            'tokenizer': AutoTokenizer.from_pretrained("neuralmind/bert-base-portuguese-cased")
        }
        print("✓ BERT loaded")
    except Exception as e:
        print(f"⚠️ Error loading BERT model: {str(e)}")
    
    return models

# Exemplos de avaliações para teste
EXAMPLES = [
    # Avaliações Positivas (nota 5)
    "Produto excelente! Entrega rápida e qualidade ótima. Recomendo!",
    "Ótimo atendimento, produto bem embalado e conforme descrito.",
    "Entrega antes do prazo. Produto de qualidade e preço justo.",
    "Muito satisfeito! Produto original e entrega rápida.",
    "Produto perfeito, bem embalado. Vendedor confiável.",
    
    # Avaliações Negativas (nota 1)
    "Produto de baixa qualidade. Não recomendo.",
    "Veio com defeito e sem suporte do vendedor.",
    "Atrasou muito e veio diferente do anunciado.",
    "Faltaram itens na entrega. Sem retorno do vendedor.",
    "Produto muito ruim. Não funciona!"
]

def get_prediction(text, model_dict):
    inputs = model_dict['tokenizer'](text, return_tensors="tf", truncation=True, padding=True)
    outputs = model_dict['model'](**inputs)
    probabilities = tf.nn.softmax(outputs.logits, axis=-1)
    probs = probabilities.numpy()[0]
    predicted_class = tf.math.argmax(probabilities, axis=-1).numpy()[0]
    confidence = probs[predicted_class]
    return predicted_class, confidence

def predict_sentiment(review_text):
    # Definir threshold de confiança
    HIGH_CONFIDENCE = 0.90  # 90% de confiança mínima para classificação definitiva
    
    try:
        predicted_class, confidence = get_prediction(review_text, MODELS['BERT'])
        
        # Determinar o sentimento baseado no threshold
        if confidence >= HIGH_CONFIDENCE:
            sentiment = "POSITIVO" if predicted_class == 1 else "NEGATIVO"
            status = "✅ Alta confiança"
        else:
            if predicted_class == 1:
                sentiment = "POSSIVELMENTE POSITIVO"
            else:
                sentiment = "POSSIVELMENTE NEGATIVO"
            status = "⚠️ Baixa confiança"
        
        return f"BERT:\n{sentiment}\n{status}\nConfiança: {confidence:.1%}"
            
    except Exception as e:
        return f"⚠️ Erro: {str(e)}"

# Load all models
print("Carregando modelos...")
MODELS = load_models()
print("Modelos carregados!")

# Create the Gradio interface
with gr.Blocks() as interface:
    gr.Markdown("# 🎯 Análise de Sentimento em Avaliações de Produtos")
    
    with gr.Row():
        with gr.Column(scale=1):
            input_text = gr.Textbox(
                label="Texto da Avaliação",
                placeholder="Digite aqui a avaliação do produto...",
                lines=4
            )
            with gr.Row(equal_height=True):
                with gr.Column(scale=1, min_width=100):
                    clear_btn = gr.Button("Limpar", variant="secondary", size="lg")
                with gr.Column(scale=2, min_width=200):
                    analyze_btn = gr.Button("Analisar Sentimento", variant="primary", size="lg")
        
        with gr.Column(scale=1):
            output_text = gr.Textbox(
                label="Resultados da Análise",
                lines=4
            )
    
    gr.Examples(
        examples=[[ex] for ex in EXAMPLES],
        inputs=[input_text],
        label="Exemplos de Avaliações"
    )
    
    with gr.Accordion("ℹ️ Sobre o Projeto", open=False):
        gr.Markdown('''
        ### Análise de Sentimento com BERT
        Este sistema analisa o sentimento em avaliações de produtos em português usando BERT com fine-tuning em dados do e-commerce brasileiro.
        
        #### 🤖 Detalhes Técnicos
        - **Modelo**: [BERT fine-tuned para análise de sentimentos](https://huggingface.co/layers2024/bert-sentiment)
        - **Dataset**: [Olist Store](https://www.kaggle.com/datasets/olistbr/brazilian-ecommerce/data) (100k+ avaliações)
        - **Projeto**: NLP-Sentinel por [Luciano Ayres](https://linkedin.com/in/lucianoayres)
        ''')
    
    def clear_inputs():
        return "", ""
    
    analyze_btn.click(
        fn=predict_sentiment,
        inputs=input_text,
        outputs=output_text
    )
    
    clear_btn.click(
        fn=clear_inputs,
        outputs=[input_text, output_text]
    )

interface.theme = gr.themes.Default()
css = """
    .gradio-container {max-width: 800px; margin: auto;}
    .footer {display: none;}
    a {color: #2196F3; text-decoration: none;}
    a:hover {text-decoration: underline;}
    .examples {margin-top: 20px; text-align: left;}
    .examples-table {width: 100%; border-collapse: collapse;}
    .example-row {cursor: pointer; transition: background 0.2s;}
    .example-row:hover {background: #f0f0f0;}
    .textbox {text-align: left;}
"""
interface.css = css

# Launch the Gradio app
if __name__ == "__main__":
    interface.launch()