---

Nos últimos anos, a tarefa de análise de sentimentos tem atraído muito interesse por parte da comunidade de Aprendizado de Máquina. Com o advento dos canais de mídias sociais essa análise tem ganhado for‡a, isso porque nessas aplica‡äes, os usuários sÆo convidados, continuamente, a compartilhar suas opiniäes e sentimento sobre diferentes tópicos de discussÆo. Como consequência, uma grande massa de conteúdo opinativo é gerada em tempo real. Muitas técnicas de classifica‡Æo automática têm sido utilizadas para realizar a análise de sentimento, contudo é consenso que o modelo de chegada de mensagens a partir de mídias sociais segue o paradigma de fluxo de dados e as técnicas de classifica‡Æo tradicionais nÆo estÆo adequadas para tratar as características especificas desse fluxo de sentimento. Entre os desafios impostos às técnicas classifica‡Æo podemos destacar: (1) o sentiment drift (i.e., constantes mudan‡as nas características dos dados), (2) a necessidade de atualiza‡Æo em tempo real do modelo de classifica‡Æo a partir de mensagens mais recentes e (3) a quantidade limitada de dados para treinamento dos algoritmos. Neste trabalho, esses problemas foram estudados.

---

Mestre em Ciências da Computa‡Æo pela Universidade Federal de Minas Gerais (2012) e bacharel em Sistemas de Informa‡Æo pela Pontifícia Universidade Católica de Minas Gerais (2008). Professor do CEFET-MG (2017). Atuando principalmente nos temas: machine learning, data minining.

---