Especializaciones de la Facultad de Ingeniería · 2021
Valoración cuantitativa de productos a través de procesamiento de lenguaje natural (NLP)
RESUMEN : Para las organizaciones es importante entender el grado de satisfacción que un cliente tiene hacia un producto o servicio. Obtener esta información de manera cuantitativa puede resultar costoso en muchas ocasiones, especialmente en empresas que mueven una gran cantidad de clientes, como es el caso de las e-commerce. Por lo anterior, se hace necesaria la automatización del proceso de valoración cuantitativa del grado de satisfacción de un cliente. Este trabajo se enfocó en la estimación cuantitativa de esta adherencia al servicio a través de la categorización automática del sentimiento presente en un comentario hacia el producto. En este documento se expone y evidencia el proceso de desarrollo de una aplicación basada en deep learning para lograr el objetivo propuesto.
Texto completo 22 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- RESUMENp. 6
- INTRODUCCIÓNp. 7
- II. PLANTEAMIENTO DEL PROBLEMAp. 8
- DISEÑO DE LA SOLUCIÓNp. 9
- A. Adquisición de bases de datosp. 9
- B. Selección de métricas de evaluaciónp. 9
- 1) Matriz de confusiónp. 12
- 2) Precisión:p. 12
- 3) Recall:p. 13
- C. Selección de modelo, entrenamiento y compilaciónp. 13
- D. Arquitectura del modelo:p. 16
- E. Resultadosp. 18
- 1) Matriz de confusión:p. 12
- F. Desplieguep. 19
- TRABAJO FUTUROp. 20
- V. CONCLUSIONESp. 21
- REFERENCIASp. 22
- Tabla 2. Reporte de métricas modelo…………………………………………………………p. 18
- Figura 1. Diagrama de barras con conteo de sentimiento para la base de datosp. 10
- Figura 2. Palabras que más se repiten dentro de la base de datosp. 10
- Figura 3. Histograma número de palabras por opiniónp. 11
- Figura 4. Lectura de datos recopilados para entrenar el modelop. 11
- Figura 5. Concepto precisiónp. 12
- Figura 6. Concepto recallp. 13
- Figura 7. Construcción función modelo BERTp. 14
- Figura 8. Diagrama flujo modelo BERTp. 14
- Figura 9. Arquitectura del modelo BERTp. 16
- Figura 10. Distribución etiquetas datos de entrenamientop. 17
- Figura 11. Distribución etiquetas datos de testp. 17
- Figura 12. Matriz de confusión datos de pruebap. 18
- Figura 13. Prototipo de modelo desplegadop. 19