O que é a análise de sentimentos?

A análise de sentimentos é uma técnica de processamento de linguagem natural (PNL) que usa a linguística computacional e o machine learning para detectar o tom emocional por trás dos dados de texto. Isso permite que as organizações identifiquem sentimentos positivos, neutros ou negativos em relação à sua marca, produtos, serviços ou ideias.

As tecnologias principais incluem:

• Processamento de linguagem natural (PLN): Permite que as máquinas processem e interpretem a linguagem humana
• Linguística computacional: oferece frameworks linguísticos para análise de texto
• Machine learning (ML): os modelos aprendem padrões de textos rotulados para classificar sentimentos

1. Ingestão de texto: dados de texto bruto são coletados de várias fontes, incluindo e-mails, tickets de suporte, logs de bate-papo, redes sociais e avaliações de clientes. Um pipeline de processamento faz a ingestão desses dados.
2. Pré-processamento de texto: o texto bruto é limpo e normalizado:
   1. Tokenização: Os dados (texto) são divididos em palavras ou frases
   2. Minúsculas: a entrada é padronizada
   3. Remoção de stop words: palavras comuns não informativas são filtradas
   4. Stemming/lematização: divide as palavras em suas formas mais básicas
   5. Reconhecimento de entidade nomeada (NER): o processo de reconhecimento de substantivos próprios e entidades
3. Extração de recursos: representações numéricas estruturadas são criadas a partir do texto:
   1. Bag of Words (BoW) ou TF-IDF para modelos de vetores esparsos
   2. Embeddings de palavras (Word2Vec, GloVe, BERT, etc.) para contexto semântico
   3. Vetores contextuais (p. ex., de modelos baseados em transformadores)
4. Classificação de sentimentos: o texto é classificado em categorias de sentimento usando modelos de machine learning ou deep learning:
   1. Modelos baseados em regras (usando léxicos de sentimentos e heurísticas linguísticas)
   2. Modelos tradicionais de ML (Naïve Bayes, SVM, regressão logística)
   3. Modelos neurais (LSTMs, CNNs, modelos transformadores)
5. Saída e pontuação: cada texto de entrada recebe uma pontuação ao longo de um contínuo de sentimento (por exemplo, -1 a +1) ou é classificado como positivo, negativo ou neutro. Em seguida, esses metadados de sentimento são:
   1. Indexados para filtragem ou busca
   2. Combinados para analítica e dashboards
   3. Usados para acionar alertas (por exemplo, quando há um aumento repentino de sentimento negativo)
6. Feedback + atualizações do modelo: o modelo pode ser ajustado ou re-treinado usando saídas rotuladas.

A análise de sentimentos é uma subcategoria do processamento de linguagem natural, o que significa que é uma das muitas tarefas que o PLN executa. Enquanto a análise de sentimentos se concentra em captar emoção e opinião no texto, o processamento de linguagem natural (PLN) é a tecnologia abrangente que dá às máquinas a capacidade de trabalhar com a linguagem humana.

Tarefas relacionadas à linguagem impulsionadas por PLN incluem:

• NER: identificação de nomes próprios, como pessoas, organizações ou locais no texto
• Marcação de parte do discurso: rotulação de palavras com suas funções gramaticais (substantivo, verbo, adjetivo etc.)
• Classificação de texto: Classificação de textos em categorias (como spam vs. não spam)
• Modelagem de linguagem: previsão da próxima palavra em uma frase ou compreensão da estrutura da frase
• Resumo de texto: geração de resumos concisos de documentos mais longos
• Tradução automática: Converter texto de um idioma para outro
• Resposta a perguntas: desenvolvimento de sistemas que respondem a perguntas com base em entradas de texto
• Geração de linguagem natural: criação de texto semelhante ao humano a partir de dados estruturados ou prompts

A análise de sentimentos é um caso de uso específico dentro da disciplina mais ampla de machine learning, normalmente utilizando modelos supervisionados de machine learning treinados em dados de texto rotulados para detectar sentimentos e opiniões no texto.

O machine learning, por outro lado, permite que os sistemas aprendam padrões a partir de dados e façam previsões ou tomem decisões sem serem explicitamente programados. Algumas das principais tarefas de machine learning incluem:

• Classificação de imagens: identificar objetos ou pessoas em imagens/fotos
• Reconhecimento de fala: converter a linguagem falada em texto.
• Sistemas de recomendação: sugerir produtos, mídia e muito mais com base no comportamento do usuário

Basicamente, as técnicas de análise de sentimentos dependem de técnicas de ML, como:

• Algoritmos de classificação: por exemplo, redes neurais profundas, árvores de decisão ou regressão logística
• Extração de recursos: transformar texto bruto em vetores numéricos
• Avaliação do modelo: o desempenho é avaliado usando métricas como recall, precisão e acurácia

A inteligência artificial é uma disciplina abrangente que busca criar sistemas capazes de realizar tarefas que normalmente exigiriam habilidades cognitivas humanas. A análise de sentimentos é uma aplicação restrita de IA, especificamente no domínio do PNL.

PLN, visão computacional e machine learning são todos subcampos da IA.

A análise de sentimento se baseia em componentes do núcleo da PLN, como tokenização, análise sintática e representações vetoriais da linguagem. Geralmente, é alimentado por modelos de transformadores pré-treinados (como BERT ou RoBERTa) que foram ajustados em conjuntos de dados rotulados para análise de sentimento. Basicamente, enquanto a IA abrange uma variedade de comportamentos, a análise de sentimentos se concentra em métodos de IA e PNL para analisar o tom emocional em dados textuais.

A mineração de dados é um processo computacional abrangente que envolve a descoberta de padrões, correlações e anomalias em grandes conjuntos de dados.

Principais diferenças entre análise de sentimentos e mineração de dados incluem:

• Metodologias: a análise de sentimentos incorpora técnicas de PLN com modelos de machine learning supervisionados ou não supervisionados para interpretar as nuances da linguagem. Por outro lado, a mineração de dados utiliza métodos estatísticos, matemáticos e algorítmicos otimizados para a descoberta de padrões em diversos formatos de dados.
• Saída: as saídas da análise de sentimentos incluem classificações de sentimentos ou pontuações contínuas de sentimentos. As saídas da mineração de dados incluem modelos preditivos, clustering e regras de associação.
• Foco no tipo de dados: a mineração de dados lida com diversos tipos de dados (por exemplo, numéricos, categóricos e textuais). A análise de sentimentos foca em textos não estruturados para a extração de insights emocionais.

A análise de sentimento pode ser realizada usando diferentes abordagens: métodos baseados em regras, modelos de machine learning ou uma combinação híbrida. Cada abordagem pode ser aplicada a diferentes tipos de tarefas de análise de sentimentos, como:

• Análise de sentimentos refinada
• Análise de sentimentos baseada em aspecto (ABSA)
• Análise de sentimentos de detecção de emoções
• Análise de sentimentos baseada em intenção

Análise de sentimentos refinada

Também conhecida como análise de sentimento graduada, esse tipo refina o sentimento em múltiplos níveis, em vez de apenas positivo, neutro ou negativo. As categorias típicas incluem "muito positivo", "positivo", "neutro", "negativo" e "muito negativo". Essa granularidade adicional pode ser útil em cenários e/ou setores específicos, como empresas que querem entender melhor os níveis de satisfação dos clientes.

Análise de sentimentos baseada em aspecto (ABSA)

Essa abordagem se concentra em identificar o sentimento em relação a aspectos ou recursos específicos de um produto ou serviço. Pense, por exemplo, nas avaliações de fones de ouvido sem fio. Diferentes aspectos podem incluir conectividade, design e qualidade sonora. A ABSA ajuda as empresas a identificarem exatamente quais partes de seus produtos os clientes gostam ou não gostam.

Análise de sentimentos de detecção de emoções

A detecção de emoções vai além da polaridade para identificar sentimentos específicos, como felicidade, tristeza, raiva ou frustração. Esse tipo de análise geralmente usa léxicos para avaliar a linguagem subjetiva.

No entanto, métodos baseados em léxico podem ter dificuldades com o contexto ou expressões sutis de emoção.

Análise de sentimentos baseada em intenção

Como o nome sugere, a análise baseada em intenção tem como objetivo entender a intenção por trás do texto. Isso pode permitir que as empresas identifiquem a intenção e os níveis de interesse dos clientes, como a intenção de comprar, fazer upgrade, cancelar ou se desinscrever. A detecção de intenção geralmente requer o treinamento de classificadores em dados rotulados, como e-mails de clientes ou consultas de suporte.

Para realizar a análise de sentimentos, você normalmente segue as seguintes etapas:

1. Pré-processamento de texto, incluindo a tokenização de frases, a lematização para a forma raiz e a remoção de palavras irrelevantes
2. Extração de características, que pode incluir a conversão de tokens lematizados em uma representação numérica ou a geração de embeddings
3. Classificação, que envolve aplicar um classificador de sentimento aos seus dados (isso geralmente usa um modelo ou algoritmo específico que utiliza os recursos extraídos para categorizar o sentimento).

Há também três abordagens comuns para a análise de sentimentos

• Análise de sentimentos baseada em regras
• Análise de sentimentos de machine learning
• Análise de sentimentos híbrida

Análise de sentimentos baseada em regras

A análise de sentimento baseada em regras depende de regras linguísticas predefinidas e léxicos de sentimento para determinar o tom emocional do texto.

Os componentes incluem:

• Léxicos de sentimentos: dicionários que contêm palavras rotuladas com valores de sentimento (positivo, negativo, neutro)
• Regras linguísticas: conjuntos de regras feitas à mão para lidar com modificadores, como negações ("not good" - ruim), intensificadores ("very happy" - muito feliz) e conjunções

Processo:

1. Tokenização: divisão do texto em tokens (palavras ou frases).
2. Consulta de léxico: comparação de tokens com o léxico de sentimentos para atribuir pontuações de polaridade.
3. Aplicação de regras: ajuste das pontuações usando regras que consideram o contexto (por exemplo, a negação inverte a polaridade, os intensificadores ampliam o sentimento).
4. Agregação: combinação das pontuações de tokens individuais em uma pontuação geral de sentimento para o texto.

Embora a vantagem dessa abordagem inclua ter resultados facilmente interpretáveis e não precisar de um grande conjunto de dados rotulados, a análise de sentimentos baseada em regras pode ser rígida e, às vezes, ter dificuldades com nuances mais sutis, como sarcasmo, contexto e uso de linguagem em evolução.

Análise de sentimentos de machine learning

A análise de sentimento de machine learning usa algoritmos que aprendem com dados de treinamento rotulados.

Os componentes incluem:

• Dados de treinamento: conjuntos de dados rotulados (por exemplo, resenhas de filmes, resenhas de produtos) usados para ensinar o modelo quais palavras ou frases correspondem a sentimentos positivos, negativos ou neutros
• Recursos: representações numéricas de texto, como contagens de palavras, vetores TF-IDF ou embeddings que captam o significado semântico
• Classificação: modelos como redes neurais profundas, Naïve Bayes¹, regressão logística ou máquinas de vetores de suporte que classificam texto com base em recursos extraídos

Processo:

1. Pré-processamento de dados: o texto é limpo e tokenizado, as stop words são removidas e, por fim, o texto é convertido em vetores de recursos.
2. Treinamento do modelo: os recursos e os rótulos de sentimento correspondentes são reinseridos no algoritmo de ML para aprender padrões.
3. Previsão: o modelo treinado é aplicado a novos dados de texto para prever rótulos de sentimento.
4. Avaliação e ajuste: o desempenho do modelo é avaliado usando métricas (acurácia, precisão, recall), e os hiperparâmetros são ajustados para melhorar os resultados.

As abordagens de machine learning têm a capacidade de captar padrões e contextos complexos melhor do que os sistemas baseados em regras. Eles também se adaptam mais facilmente ao uso de novas linguagens. No entanto, eles tendem a exigir uma quantidade considerável de dados rotulados e recursos computacionais para o treinamento.

Análise de sentimentos híbrida

A análise híbrida de sentimentos aproveita os pontos fortes de ambas as abordagens, combinando métodos baseados em regras e de machine learning.

Portanto, os componentes incluem:

1. Sistema baseado em regras: regras linguísticas predefinidas e léxicos de sentimento que fornecem sinais de sentimento compreensíveis
2. Modelo de machine learning: algoritmos treinados em dados rotulados para captar padrões complexos de linguagem e contexto

Processo:

1. Pré-processamento: o texto é limpo, tokenizado e convertido em vetores de recursos conforme exigido pelo componente de machine learning.
2. Aplicação de regras: regras linguísticas são aplicadas para identificar indicadores explícitos de sentimento e lidar com modificadores como negações ou intensificadores.
3. Previsão de machine learning: o modelo de ML analisa os mesmos recursos ou recursos complementares para detectar nuances de sentimento além das regras explícitas.
4. Fusão: as saídas dos componentes baseados em regras e de machine learning são combinadas usando mecanismos de ponderação ou votação para gerar a previsão final de sentimento.

Combinar as duas abordagens principais pode trazer melhores resultados em domínios com expressões sutis de sentimentos ou uso de linguagem em evolução. Portanto, alcançar o equilíbrio certo entre complexidade e desempenho em sistemas híbridos exige ajustes e integração cuidadosos.

A análise de sentimentos pode fornecer às empresas insights práticos, identificando:

• A polaridade da linguagem usada (positiva, neutra, negativa)
• O tom emocional da resposta do consumidor (como raiva, felicidade ou tristeza)
• Se o tom transmite urgência
• A intenção ou o nível de interesse do consumidor

Como uma forma de mineração de opinião automatizada, a análise de sentimentos pode oferecer suporte a diversas aplicações de negócios.

As empresas podem coletar e analisar comentários, resenhas e menções de plataformas sociais, posts de blog e vários fóruns de discussão ou avaliação para entender como o público enxerga sua marca. As ferramentas de análise de sentimentos podem automatizar e dimensionar esse processo. 

As fontes de dados podem incluir:

• Redes sociais (X, comentários no Instagram)
• Sites de avaliação (Yelp, Google Reviews)
• Fóruns e blogs
• Avaliações da app store

Os insights gerados a partir da aplicação da análise de sentimentos nesses dados podem ajudar as empresas a detectar padrões em feedbacks positivos, identificar pontos problemáticos em feedbacks negativos e avaliar a urgência e a intensidade emocional.

As equipes de marketing frequentemente utilizam essa abordagem para aperfeiçoar as estratégias de comunicação e monitorar a integridade e a popularidade da marca.

A análise de sentimento pode ser uma ferramenta confiável para extrair insights de alto nível e agregados sobre mercados, setores ou segmentos de clientes inteiros, além do sentimento individual da marca.

Algumas fontes de dados comuns são:

• Artigos de notícias e comunicados de imprensa
• Relatórios do setor e comentários de analistas
• Notícias financeiras e discussões sobre o mercado de ações
• Blogs e fóruns
• Avaliações de produtos e serviços
• Dados de enquetes e feedback

Aplicativos de análise de sentimento podem usar essas fontes de dados para quantificar tendências de sentimento do mercado, informando a avaliação de risco e a estratégia de produto.

A integração da análise de sentimentos em uma plataforma de comércio eletrônico pode melhorar os recursos de busca e filtragem de produtos. Além das redes sociais e avaliações mencionadas, outras fontes de dados podem incluir:

• Logs de servidores da Web registrando caminhos de navegação do usuário combinados com transcrições de sessão rotuladas por sentimento
• Registros de dispositivos IoT (p. ex., eletrodomésticos inteligentes com feedback do cliente por meio de apps incorporados) vinculados a tags de sentimento
• Feedback de interação de produto de realidade aumentada (AR) (em que os comentários verbais dos usuários são transcritos e analisados quanto a sentimentos)
• Dados de sentimento multilíngues de comunicações internacionais de suporte ao cliente

Agregar e analisar sinais de sentimento em diversas fontes de dados textuais e semiestruturados pode ser usado para comparar a percepção da marca e do produto em relação aos concorrentes.

Fontes de dados menos convencionais podem incluir:

• Registros de patentes e artigos técnicos extraídos de linguagem carregada de sentimentos 
• Transcrições de teleconferências de resultados analisadas para detectar mudanças de sentimento e sinais de confiança dos investidores
• Tíquetes de reclamação de clientes e logs de resolução com anotações de sentimento
• Conteúdo de influenciadores e sentimento de endosso medido por meio de técnicas de PLN em transcrições multimídia

A análise de sentimentos depende da compreensão da linguagem humana, que é, por natureza, complexa, ambígua e está em constante evolução. Por isso, interpretar de forma precisa é uma tarefa desafiadora para sistemas automatizados.

Desambiguação de entidades em avaliações business-to-business (B2B)

Distinguir o sentimento direcionado a diferentes entidades é um desafio comum, principalmente em contextos competitivos. Em avaliações B2B, por exemplo, uma linguagem semelhante pode ser usada para descrever sua empresa e seus concorrentes, mas o sentimento em relação a cada um deve ser interpretado de forma diferente.

A ferramenta de análise de sentimentos pode não ter recursos de desambiguação de entidades, levando à atribuição incorreta de sentimento positivo à sua empresa quando a declaração na verdade se refere a um concorrente.

Ironia, sarcasmo e contexto

Detectar e entender a ironia e o sarcasmo continua sendo um desafio significativo na análise de sentimentos.

Essas formas de expressão utilizam palavras positivas para transmitir significados negativos ou opostos, muitas vezes sem pistas textuais explícitas, e essa ambiguidade pode complicar a classificação automática de sentimentos.

O sentimento é altamente dependente do contexto, e frases idênticas podem ter diferentes polaridades de sentimento dependendo da pergunta ou do cenário.

Lidar com sarcasmo e ironia requer técnicas mais avançadas, como modelos sensíveis ao contexto (transformadores) e/ou análise multimodal (incorporando sinais de tom ou visuais).

A classificação de sentimento dependente do contexto frequentemente depende da incorporação do prompt ou do histórico da conversa para interpretar corretamente as respostas.

Subjetividade

Um dos principais desafios da análise de sentimentos é a subjetividade da linguagem. Variações no humor, nas expressões idiomáticas e nos dialetos entre culturas podem alterar o significado.

Devido às diferenças lexicais e sintáticas, modelos de sentimento treinados em uma variante de idioma ou cultura podem ter desempenho inferior quando aplicados a outras.

Estratégias de localização, como dados de treinamento adaptados regionalmente e léxicos específicos para cada cultura, são essenciais para a aplicação bem-sucedida da análise de sentimentos.

A análise de sentimentos beneficia seus usuários com insights práticos. Como ferramenta, são muitas as vantagens:

Extraia as emoções dos clientes em grande escala

As ferramentas de análise de sentimentos fornecem análises em tempo real de diversas fontes de texto.

Os usos principais incluem:

• Detecção precoce de picos de sentimentos negativos e questões emergentes;
• Gerenciamento de crises por meio de alertas imediatos;
• Fundamentação da estratégia de RP.

O processo de mineração de texto nesse contexto frequentemente envolve a ingestão contínua de dados, o pré-processamento e ferramentas de visualização de dados. Mudanças repentinas podem ser detectadas usando algoritmos de detecção de anomalias para pontuação de sentimento.

Suporte a modelos de analítica preditiva

Os resultados da análise de sentimentos podem ser integrados como recursos projetados em pipelines de modelagem preditiva.

Um fluxo de trabalho típico inclui:

• Extração de pontuações de polaridade e intensidade de sentimentos de texto não estruturado usando modelos de PLN ou APIs
• Agregação de pontuação ao longo de janelas de tempo relevantes ou segmentos de clientes para criar recursos numéricos
• Uma combinação de recursos derivados de sentimento com conjuntos de dados estruturados (por exemplo, registros de CRM, logs de transações)
• Treinamento de modelos de machine learning supervisionado (random forests, boosting de gradiente, redes neurais profundas) para prever resultados
• Validação de modelo usando métricas como AUC-ROC, pontuação F1 ou RMSE

Aprimorar o desenvolvimento de produtos e serviços

Com a análise de sentimentos, uma iteração de produto orientada por dados pode ser mais eficiente através do monitoramento contínuo do feedback:

• Implemente a ingestão em tempo real de feedback do cliente de múltiplos canais (avaliações, tíquetes de suporte, fóruns) via APIs ou plataformas de streaming.
• Aplique as etapas de pré-processamento de PLN: tokenização, lematização, remoção de stop-words, seguidas pela classificação de sentimentos usando modelos baseados em regras ou em ML.
• Armazene feedback com marcação de sentimento em um banco de dados de séries temporais ou de documentos para análise de tendências.
• Desenvolva dashboards de visualização com métricas como distribuição de sentimentos ou picos de volume.

Você pode criar um sistema de análise de sentimentos por conta própria, investir em um provedor terceirizado ou adquirir complementos para integrar aos seus aplicativos. Há várias ferramentas de análise de sentimentos de software como serviço (SaaS) disponíveis, enquanto bibliotecas de código aberto como de Python ou Java podem ser usadas para criar sua própria ferramenta. Geralmente, os provedores de serviços em nuvem oferecem seus próprios pacotes de IA.

• Crie seu próprio modelo de sentimentos
  Você pode criar seu próprio modelo de sentimentos usando uma biblioteca de PNL, como spaCy ou NLTK. Quando se trata de personalização, uma abordagem prática permite controle total sobre o pré-processamento, a engenharia de recursos, a arquitetura do modelo e os dados de treinamento. Dito isso, construir seu próprio modelo de sentimento requer experiência em PNL e machine learning, além de um investimento significativo em rotulagem de dados, treinamento de modelos e ajuste. Quando uma linguagem específica de domínio ou nuances de sentimento detalhadas exigem modelos personalizados, uma abordagem 'faça você mesmo' pode ser a ideal para você.
• Use soluções SaaS de análise de sentimentos prontas para uso
  Uma solução pré-configurada pode incluir Amazon Comprehend, Google AI ou os Serviços Cognitivos do Azure. As vantagens de ferramentas de análise de sentimento SaaS como estas incluem implantação rápida, infraestrutura gerenciada, modelos pré-treinados e APIs com escalabilidade. No entanto, menos controle sobre os processos internos do modelo também significa que, às vezes, é necessário realizar ajustes ou adaptação ao domínio por meio de treinamento adicional.
• Integrar modelos de análise de sentimento de terceiros
  Você também pode optar por carregar modelos de sentimento personalizados ou open source em plataformas como a Elastic Search AI Platform. Ao combinar a indexação e busca do Elasticsearch com a pontuação de sentimentos para analisar grandes conjuntos de dados de texto, você pode desenvolver arquiteturas híbridas, combinando modelos pré-treinados com conjuntos de regras personalizados ou aprimoramentos de ML. Se você quer a flexibilidade de gerenciar seus próprios modelos enquanto usa uma infraestrutura de busca e análise pré-existente e confiável, este é o caminho a seguir.
• Pacotes de IA de provedores de serviços em nuvem
  Os pacotes de IA e ML de provedores de serviços em nuvem geralmente incluem análise de sentimento como parte das funcionalidades mais amplas de PNL. Essas soluções oferecem fácil integração com outros serviços e atualizações contínuas de modelos. No entanto, a dependência de fornecedores e a personalização limitada podem ser desafiadoras.

Execute sua ferramenta de análise de sentimentos com a Elastic, para que você possa realizar sua própria mineração de opiniões e obter os insights práticos necessários.  

• Saiba como implantar a análise de sentimentos de PLN com a Elastic
• Análise de observabilidade e sentimento com o ELK Stack
• Como transformar dados em insights práticos
• Guia abrangente de classificação de texto
• PLN x LLMs
• Machine learning x IA

Algoritmo: um processo ou um conjunto de regras que um computador segue

Inteligência artificial: a simulação da inteligência humana por máquinas e sistemas de computador

Linguística computacional: um ramo da linguística que usa teorias da ciência da computação para analisar e sintetizar linguagem e discurso

Resolução de correferência: o processo de identificar todas as palavras que pertencem a uma entidade nomeada em um texto

Lematização: o processo de agrupar diferentes formas flexionadas da mesma palavra

Léxico: um inventário de palavras do vocabulário de um idioma

Machine learning: um subconjunto da inteligência artificial que, por meio do uso de dados e algoritmos, permite que um computador aprenda.

Reconhecimento de entidade nomeada: o processo de reconhecer palavras como nomes próprios ou entidades

Processamento de linguagem natural: um ramo da ciência da computação que, como um subconjunto da inteligência artificial, foca em ajudar os sistemas de computador a entender a linguagem humana

Marcação de parte do discurso: o processo de marcar uma palavra em um texto para categorizar a que parte do discurso ela pertence (por exemplo, maçã = substantivo; lentamente = advérbio; fechado = adjetivo)

Stemming: o processo de redução das palavras à forma do seu radical ou raiz

Tokenização: o processo de separação de um texto em unidades menores, chamadas de tokens

Desambiguação do sentido da palavra: o processo de identificação do sentido da palavra dado seu uso no contexto

¹ Webb, G.I. "Naïve Bayes." Encyclopedia of Machine Learning and Data Mining, Springer, 2017, https://doi.org/10.1007/978-1-4899-7687-1_581.