Business Analytics Aplicado a Redes Sociais

Prévia do material em texto

30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 1/16
A utilização de mídias sociais está presente no dia a dia de quase todas as pessoas do Brasil e
do mundo, favorecendo a propagação de informação, compartilhamento de ideias, interação
via comentários e curtidas, entre outros elementos. Além de permitir a comunicação rápida e
disponível ao grande público, também possui outro efeito estudado por linguistas e cientistas
da computação, sobre o qual veremos a seguir.
Nesse contexto, a mineração de texto dessas mídias sociais tem diversas aplicações, dentre as
quais se pode destacar a análise de sentimentos para identi�car como essa opinião pública se
relaciona a uma determinada marca.
Caro(a) estudante, ao ler este roteiro você vai:
identi�car a forma de obter os textos do Twitter;
entender como a ferramenta R pode ser usada para mineração e análise de texto;
analisar os resultados obtidos com as interpretações e conclusões;
apresentar o relatório com os resultados.
Introdução
A análise de sentimentos, também chamada de mineração de opinião, é o campo de estudo
que analisa as opiniões, sentimentos, avaliações, atitudes das pessoas e emoções em relação a
entidades, como produtos, serviços, organizações, indivíduos, questões, eventos, tópicos e seus
atributos. Representa um grande espaço problemático, uma vez que existem muitos nomes e
tarefas ligeiramente diferentes, por exemplo: análise de sentimentos, extração de opinião,
análise de subjetividade, análise de afetos, análise de emoções, revisão de mineração etc.
Business Analytics Aplicado a Redes Sociais
Roteiro deRoteiro de
EstudosEstudos
Autor: Me. Everton Gomede
Revisor: Ma. Amanda de Britto Murtinho
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 2/16
(KWARTLER, 2017). No entanto, tais facetas estão agora estão sob a égide da análise de
sentimentos ou mineração de opinião.
Enquanto, na indústria, o termo análise de sentimentos é mais comumente usado, na academia
tanto a análise de sentimentos quanto a mineração de opinião são frequentemente
empregados. Eles representam basicamente o mesmo campo de estudo. O termo análise de
sentimentos talvez tenha aparecido pela primeira vez em textos de Nasukawa e Yi (MUNZERT et
al., 2015), e o termo mineração de opinião apareceu pela primeira vez em textos dos autores
Dave, Lawrence e Pennock (MUNZERT et al., 2015). Já a pesquisa sobre sentimentos e opiniões
apareceu pela primeira vez na publicação de Das e Chen em 2011. Neste estudo, usamos os
termos análise de sentimento e mineração de opinião de forma intercambiável. Para simpli�car
a apresentação, iremos usar o termo opinião para denotar opinião, sentimento, avaliação,
atitude e emoção. No entanto, mantenha em mente que esses conceitos não são equivalentes.
O signi�cado da opinião ainda é muito amplo. A análise de sentimentos e a mineração de
opiniões se concentram principalmente nas opiniões que expressam ou implicam sentimentos
positivos ou negativos. Embora a linguística e o processamento da linguagem natural (PLN)
tenham uma longa história, pouca pesquisa foi realizada sobre as opiniões e os sentimentos
das pessoas antes do ano 2000. Desde então, o campo se tornou uma área de pesquisa muito
ativa. Há várias razões para isso. Primeiro, porque essa área de interesse possui uma ampla
variedade de aplicações, quase em todos os domínios. A indústria que cerca a análise de
sentimento também �oresceu devido à proliferação de aplicativos comerciais que permitem a
expressão do grande público. Isso propiciou uma forte motivação para a pesquisa. Segundo,
porque oferece muitos problemas desa�adores de pesquisa e que nunca haviam sido
estudados. Terceiro, porque é pela primeira vez na história que a humanidade tem acesso a
um enorme volume de dados nas mídias sociais na web. Sem esses dados, muitas pesquisas
não teriam sido possíveis. Não é de surpreender, assim, que o início e o rápido crescimento da
análise de sentimentos coincidam com o da mídia social. De fato, a análise de sentimentos está,
atualmente, no centro da pesquisa de mídia social.
Portanto, a pesquisa em análise de sentimentos não apenas tem um impacto importante sobre
PLN, mas também pode ter um impacto profundo nas ciências da gestão, ciência política,
economia e ciências sociais, pois todas são afetadas pela opinião de diferentes pessoas.
Embora a pesquisa de análise de sentimentos tenha começado principalmente na virada do
milênio, houve alguns trabalhos anteriores sobre interpretação de metáforas, adjetivos de
sentimentos, subjetividade, pontos de vista e efeitos (HURWITZ et al., 2016). Este estudo serve
como uma atualização e texto introdutório, bem como uma pesquisa sobre o assunto. Essas
pesquisas mostram, respectivamente, a primeira fase em que os usuários se relacionam
somente presencialmente e acessam certas páginas da web. Na segunda fase, surgiram
aplicativos que permitiam certas funcionalidades como compras e registros. Por �m, na fase
que vivemos atualmente, quase todo relacionamento é feito por empresas que estimulam a
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 3/16
interação entre os usuários em uma espécie de comércio de relacionamentos providos por
empresas como Facebook, Twitter etc.
Figura 1 - A era dos relacionamentos sociais
Fonte: Elaborada pelo autor.
Figura 2 - A era das funcionalidades sociais
Fonte: Elaborada pelo autor.
Figura 3 - A era dos comércios sociais
Fonte: Elaborada pelo autor.
As tarefas básicas da computação afetiva e análise de sentimentos são o reconhecimento de
emoções (SILGE et al., 2017) e a detecção de polaridade (MUNZERT, 2015). Enquanto o primeiro
se concentra em extrair um conjunto de rótulos emocionais, esse último geralmente é uma
tarefa de classi�cação binária com resultados como “positivo” versus “negativo”, “polegar para
cima” versus “polegar para baixo” ou “gosto” versus “não gosto”. Essas duas tarefas, o
reconhecimento de emoções e a detecção da polaridade, são altamente inter-relacionadas e
interdependentes embora alguns modelos as tratem de maneira uni�cada (HURWITZ et al.,
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 4/16
2016). Em muitos casos, de fato, a emoção e o reconhecimento são considerados uma
subtarefa da detecção de polaridade (KUMAR; PAUL, 2016).
A própria classi�cação de polaridade também pode ser vista como uma subtarefa de análise de
sentimentos. Por exemplo, a polaridade pode ser aplicada à identi�cação de expressões “pró e
contra”, que podem ser usadas em revisões individuais para avaliar os prós e contras que
in�uenciam os julgamentos de um produto e que os tornam mais con�áveis, na visão dos
usuários. Outra instância da classi�cação de sentimento binário é a detecção de concordância,
ou seja, dentro de um par de contribuições afetivas, decidir se ambas devem receber a mesma
classi�cação (SILGE; ROBINSON, 2017).
Complementar à classi�cação de sentimento binário, temos a atribuição de graus à polaridade
detectada (também conhecida como valência às emoções inferidas). Se deixarmos de lado o
pressuposto de que os dados analisados são opinativos de um produto e/ou serviço, surgem
novas tarefas desa�adoras, por exemplo, detecção de subjetividade. A capacidade de distinguir
se uma entrada é subjetiva ou objetiva, em particular, pode ser altamente bené�ca para uma
classi�cação de sentimentos mais e�caz. Além disso, um registro também pode ter uma
polaridade, sem necessariamente conter uma opinião. Por exemplo, uma notícia pode ser
classi�cada como boa ou ruim sem ser subjetiva.
Utilização da Análise de
Sentimentos
Inicialmente, de�niremos análise de sentimentos como sendo um tipo de problema trabalhado
pela mineração de texto (SILGE; ROBINSON, 2017). Do ponto de vista da pesquisa cientí�ca,essa de�nição nos dá uma formulação que nos permite ver um conjunto de sub-relações que
compõem o problema da análise de sentimentos. Costuma-se dizer que, se não podemos
estruturar um problema, provavelmente não entendemos o problema. O objetivo das
de�nições é, portanto, abstrair uma estrutura de um cenário complexo de processar,
computacionalmente, um texto em linguagem natural não estruturada, com o objetivo de obter
algum resultado relacionado a emoções humanas.
Ao contrário da informação factual, opiniões e sentimentos têm uma importante característica:
são subjetivos. Portanto, é importante examinar uma coleção de opiniões que seja proveniente
de muitas pessoas, em vez de apenas uma única opinião de uma pessoa, porque essa, quando
única, irá representar apenas a visão subjetiva dessa pessoa especí�ca, o que geralmente não é
su�ciente para a aplicação.
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 5/16
Devido a um grande volume de opiniões que são registradas em várias páginas da web, alguma
forma de resumo de opiniões é necessária (HURWITZ et al., 2016). Observe que, ao longo deste
estudo, textos de opinião formal e informal, como notícias, artigos, tweets (postagens no
Twitter), discussões em fóruns, blogs e Facebook, entre outros, são a matéria-prima da análise
de sentimentos, especialmente as opiniões geradas para determinados produtos e/ou serviços.
Como as análises de produtos são altamente focadas e ricas em opiniões, elas nos permitem
ver diferentes questões mais claramente do que em outras formas de texto de opinião (SILGE;
ROBINSON, 2017).
Conceitualmente, não há diferença entre os diferentes tipos de opiniões (as emitidas para um
produto e/ou serviço ou as mais gerais emitidas em mídias sociais) (KUMAR; PAUL, 2016). As
diferenças são, principalmente, super�ciais e no grau de di�culdade em lidar com eles. Por
exemplo, as postagens no Twitter (tweets) são curtas (no máximo 140 caracteres) e informais
usando muitas gírias e emoticons da Internet. As postagens no Twitter são, de fato, mais fáceis
de analisar devido ao limite de tamanho, porque os autores, geralmente, vão direto ao ponto.
Assim, muitas vezes é mais fácil conseguir uma alta precisão na análise de sentimentos.
Comentários também são mais fáceis, porque são altamente focados, com pouca informação
irrelevante. As discussões do fórum são talvez o mais difícil de lidar, porque os usuários podem
discutir qualquer coisa e também interagir um com o outro. Opiniões sobre produtos e serviços
geralmente são mais fáceis de analisar. Já as opiniões sociais e políticas são muito mais difíceis
devido a tópicos com sentimentos complexos, sarcasmos e ironias (MUNZERT et al., 2015).
Dessa forma, vamos estudar como processar a análise de sentimentos utilizando as opiniões
publicadas no Twitter. Focaremos a maior parte do estudo na análise propriamente dita.
Entretanto, para obtermos os dados e realizarmos a análise, vamos descrever como os dados
são processados na linguagem R.
Identi�cação da Forma de Obter
os Textos do Twitter
O Twitter facilitou a tarefa de analisar os tweets postados pelos usuários, desenvolvendo uma
API que as pessoas podem usar para extrair tweets e metadados subjacentes. Essa API nos
ajuda a extrair dados do Twitter em um formato muito estruturado, que pode ser limpo e
processado para análise. Para obter os dados do Twitter, primeiro você precisa ter uma conta
no Twitter. Depois disso, você deve visitar a página do aplicativo do Twitter, criar uma nova
entrada e inserir detalhes básicos, como nome do aplicativo, descrição e o nome do site.
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 6/16
Depois de inserir esses detalhes, você receberá as chaves e os tokens de acesso da seguinte
forma:
Chave do consumidor (chave da API).
Segredo do consumidor (API Secret).
Token de acesso.
Segredo do token de acesso.
Essas chaves e tokens são usados para extrair dados do Twitter em R.
LEITURA
Título: Utilizando análise de sentimentos para de�nição da homo�lia política dos usuários do
Twitter durante a eleição presidencial americana de 2016
Autor: Josemar Alves Caetano et al.
Ano: 2016
Comentário: esse trabalho propõe uma análise da homo�lia política entre usuários do Twitter
durante a eleição presidencial americana de 2016. Os autores abordam como uma mídia social
pode ser usada para chegar a tais conclusões.
Utilização da Ferramenta R para
Mineração de Texto
Agora, vamos ver como analisar os sentimentos dos tweets feitos por um identi�cador do
Twitter. Para isso, iremos mostrar a implementação prática da análise de sentimentos. Antes de
iniciarmos, vamos aprender um pouco sobre o R e seu ambiente.
A C E S S A R
http://143.54.25.88/index.php/csbc/article/view/513
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 7/16
O R é uma linguagem e um framework para computação de grá�cos e cálculos estatísticos. É
uma linguagem de código aberto e pode ser usada sem a necessidade de licenças. O R fornece
uma ampla variedade de técnicas estatísticas (modelagem linear e não linear, testes estatísticos
clássicos, análise de séries temporais, classi�cação e agrupamento, entre outras) e técnicas
grá�cas que são altamente extensíveis. Um dos pontos fortes de R é a facilidade com que
grá�cos de qualidade podem ser produzidos, incluindo símbolos e fórmulas matemáticas
quando necessários.
Adicionalmente, o RStudio é um ambiente de desenvolvimento integrado (IDE) para a
linguagem R. O RStudio IDE é desenvolvido pela Rstudio e não possui conexão formal com a
Fundação R. O RStudio está disponível em dois formatos: RStudio Desktop, em que o programa
é executado localmente como um aplicativo de desktop comum, e Servidor RStudio, que
permite acessar o RStudio usando um navegador da web enquanto estiver sendo executado
em um servidor Linux remoto.
Depois de instalar o R e o RStudio, podemos iniciar nossa análise. Para isso, alguns códigos são
escritos para facilitar o trabalho. O código é dividido nas seguintes partes:
Extraindo tweets usando o aplicativo Twitter.
Limpando os tweets para análise posterior.
Obtendo pontuação de sentimento para cada tweet.
Segregando tweets positivos e negativos.
Extraindo tweets usando o aplicativo Twitter.
Inicialmente, com o pacote twitteR, recuperam-se todas as postagens de acordo com os
parâmetros fornecidos. Por exemplo, nesse caso, deseja-se obter todos as postagens sobre o
termo “Coringa” desde 1º de outubro de 2019.
Após realizar a instalação do pacote twitterR, é possível armazenar os parâmetros de acesso a
API do Twitter e recuperar os tweets com o termo “Coringa”, armazenando-os em uma
estrutura de dados, conhecida como dataframe. Pode-se observar um exemplo desses dados
na �gura a seguir.
Depois disso, esses posts são colocados em uma estrutura de dados conhecida como
dataframe. Isso é representada pela variável d. Pode-se observar um exemplo desses dados na
�gura a seguir:
Figura 4 - Uma amostra dos comentários obtidos
Fonte: Elaborada pelo autor.
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 8/16
Como se pode notar, aqui temos todas as opiniões publicadas pelos usuários sobre o assunto
“Coringa”. Além dos textos das opiniões, temos os metadados delas, como a data em que
foram publicadas e se foram marcadas como favoritas, entre outras possibilidades. Nesse
ponto, é interessante navegar pelo dataframe e veri�car quais as informações disponíveis.
LEITURA
Título: Mineração de textos
Autor: Eliana Cristina Nogueira Barion e Decio Lago
Comentário: a mineração de textos, também conhecida como Descoberta de Conhecimento
em Textos (Knowledge Discovered in Texts – KDT), refere-se ao processo de extração de
informação útil (conhecimento) em documentos de textos não estruturados.Nesse trabalho, os
autores abordam várias questões relacionadas ao assunto mostrando uma visão geral sobre o
tema.
A C E S S A R
Implementação do Código para a
Análise do Texto
Inicialmente, os comentários serão analisados para identi�car o termo que mais se repete. Para
isso, foram selecionados os 1000 primeiros posts para uma avaliação.
Após a seleção dos posts, podemos criar uma nuvem de termos para demonstrar quais deles
são mais utilizados pelos usuários. Um ponto importante que deve ser considerado antes da
criação da nuvem de palavras é a remoção de algumas palavras das opiniões, tais como artigos,
preposições etc. (por exemplo: o, a, de, entre). O resultado pode ser visto na �gura a seguir.
https://revista.pgsskroton.com/index.php/rcext/article/view/2372
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 9/16
Figura 5 - Nuvem de termos gerada
Fonte: Elaborada pelo autor.
Pode-se notar que o termo “coringa” foi muito utilizado se comparado com os demais. Após a
análise da nuvem de palavras, pode-se identi�car como os sentimentos (positivos e negativos)
foram utilizados ao longo do tempo.
Para fazer isso, podemos separar os tweets em sentenças, para que cada uma delas seja
analisada individualmente. E, em seguida, conseguimos identi�car os sentimentos evocados em
cada uma das sentenças que foram separadas. Por �m, produzimos o grá�co das emoções
evocadas pelas opiniões emitidas. O resultado pode ser visto na �gura a seguir.
Figura 6 - O resultado da análise de sentimentos
Fonte: Elaborada pelo autor.
Pode-se notar que os sentimentos variaram ao longo do tempo de forma positiva e negativa. As
opiniões que �caram com a valência acima de 0 representam emoções positivas e o seu
respectivo nível. De maneira similar, as opiniões que �caram com a valência abaixo de 0 são
aquelas de emoções negativas e seus níveis (KWARTLER, 2017).
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 10/16
ARTIGO
Título: Extração de métricas e análise de sentimentos em comentários web no domínio de
hotéis
Autor: Roney L. de S. Santos e Raimundo S. Moura
Ano: 2016
Comentário: esse trabalho apresenta um protótipo de uma aplicação Web, no qual, a partir de
um comentário, seja retornado o sentimento (positivo, negativo ou neutro), suas características
e outras métricas de análise, utilizando técnicas de processamento de linguagem natural e
análise de sentimentos. Esse trabalho permite entender as métricas utilizadas na interpretação
de sentimentos.
A C E S S A R
Análise dos Resultados Obtidos
com as Interpretações e
Conclusões
Como foi veri�cado nas �guras anteriores, grande parte dos comentários girou em torno do
termo “coringa”. Isso, de certa forma, é esperado, uma vez que houve um grande número de
buscas relacionadas ao termo por conta do lançamento do �lme Coringa, em 2019. De maneira
adicional, nota-se que o termo “risada” também apareceu, e é possível deduzir que esse pode
ser um dos pontos altos do �lme. Além disso, percebe-se que os sentimentos variam de forma
positiva (valência > 0) e de forma negativa (valência < 0) (KUMAR; PAUL, 2016). A oscilação foi
feita ao longo do tempo e pode-se veri�car que os sentimentos variaram de maneira
equivalente de forma positiva e negativa, sem necessariamente uma tendência de sentimentos
negativos ou positivos.
https://sol.sbc.org.br/index.php/brasnam/article/view/6449
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 11/16
LEITURA
Título: Análise do sentimento de mensagens de chats em uma turma de graduação de um
curso de educação a distância
Autor: Emanuel Coutinho, Leonardo Moreira, Gabriel Paillard e Ernesto Trajano de Lima
Ano: 2016
Comentário: esse trabalho tem como objetivo analisar o sentimento de mensagens de texto.
Os autores apresentam uma boa descrição dos resultados, que permite entender como
analisar esse tipo de técnica.
A C E S S A R
Apresentar o Relatório com os
Resultados
O relatório deve ser apresentado com a seguinte estrutura: contexto, problema, solução,
resultados e conclusão. A primeira seção deve mostrar o contexto de aplicação da ideia; a
segunda deve caracterizar o problema da análise de sentimentos; a terceira seção deve
apresentar os scripts utilizados para construir a solução; e a quarta deve apresentar os grá�cos
produzidos em conjunto com sua explicação. Por �m, devem-se apresentar as conclusões
sobre o que foi realizado. Por exemplo, vamos veri�car uma possível forma de entregar esse
relatório.
https://www.br-ie.org/pub/index.php/wcbie/article/view/7027
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 12/16
LEITURA
Título: Análise do sentimento de mensagens de chats em uma turma de graduação de um
curso de educação à distância
Autor: Pedro Ramos, Julio Reis e Fabrício Benevenuto
Ano: 2016
Comentário: esse trabalho investiga as possíveis estratégias utilizadas por jornais de notícias
on-line na concepção de suas manchetes. Isso auxilia no entendimento de como a informação
pode ser utilizada para a mudança de percepção.
A C E S S A R
1. Contexto
A análise de sentimentos pode auxiliar a entender como certa marca, produto ou serviço está
sendo percebido pelo público.
2. Problema
Nesse contexto, a mineração de opiniões trata do problema de obter emoções evocadas em
texto não estruturado e opinativo, oriundo de mídias sociais.
3. Solução
Um código implementado com a linguagem R para obter os dados do Twitter e processar a
mineração de texto em conjunto com a análise de sentimentos.
4. Resultados
Os resultados indicam que os termos utilizados são “A, B, C”, e as emoções variam de maneira
positiva e negativa.
5. Conclusão
A análise aponta que em grande parte do tempo as emoções foram positivas, o que indica boa
percepção do público com relação à nossa marca.
https://sol.sbc.org.br/index.php/brasnam/article/view/6454
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 13/16
Conclusão
Este estudo apresentou o campo da análise de sentimentos e mineração de opinião em mídias
sociais. Devido a uma ampla variedade de aplicações práticas, esse tipo de pesquisa tem sido
muito ativa nos últimos anos. A análise de sentimentos é um problema multifacetado, com
muitas questões e técnicas existentes para lidar com ele (HURWITZ et al., 2016).
Para ilustrar como o problema pode ser tratado, apresentamos uma situação-problema no
início do estudo e o conduzimos até sua solução. Inicialmente, escolhemos uma das mídias
sociais disponíveis para a análise, no caso o Twitter. Essa escolha foi feita devido à limitação de
140 caracteres, o que permite uma análise mais simples, pois os usuários tendem a ser mais
objetivos e com menos informações ruidosas (KWARTLER, 2017). Depois disso, utilizando a
linguagem R, vimos como é possível obter as opiniões a respeito do �lme Coringa que foram
publicadas no Twitter. Com as opiniões em mão, realizamos uma análise para veri�car os
termos mais utilizados. Isso foi mostrado com um recurso muito interessante, conhecido como
nuvem de termos. Além disso, realizamos a análise dos sentimentos ao longo do tempo para
veri�car como foram as emoções dos usuários sobre o �lme. Para isso, criamos um grá�co de
valência positiva e negativa ao longo do tempo.
Esse exemplo pode ser facilmente modi�cado para analisar outros termos, como a marca de
uma empresa, um determinado produto e/ou serviço. Além disso, podemos estudar os dados
com mais profundidade para entender os subproblemas relacionados à análise de sentimento
e à mineração de texto (HURWITZ et al., 2016). Todos esses problemas ainda estão sendo
estudados e, apesar de bem conhecidos, ainda permanecem em aberto nesse campo de
pesquisa (SILGE; ROBINSON, 2017).
ReferênciasBibliográ�cas
HURWITZ, J. et al. Big data para leigos: Rio de Janeiro: Alta Books, 2016.
KUMAR, A.; PAUL, A. Mastering text mining with R. Birmingham: Packt Publishing, 2016.
KWARTLER, E. Text mining in pratice with R. Hoboken: John Wiley & Sons 2017.
MUNZERT, S. et al.  Automated data collection with R: a practical guide to web scraping and
text mining. Hoboken: John Wiley & Sounds, 2015.
SILGE, J.; ROBINSON, D. Text mining with R: a tidy approach. Newton: O’Reilly Media, 2017.
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 14/16
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 15/16
30/06/2020 Roteiro de Estudos
https://anhembi.blackboard.com/webapps/late-Course_Landing_Page_Course_100-BBLEARN/Controller# 16/16