|
|
import streamlit as st |
|
|
import pandas as pd |
|
|
import matplotlib.pyplot as plt |
|
|
from transformers import AutoTokenizer, AutoModelForSequenceClassification |
|
|
from scipy.special import softmax |
|
|
import torch |
|
|
|
|
|
st.set_page_config(page_title="Análise de Sentimentos", layout="wide") |
|
|
|
|
|
st.title("🔍 Análise de Sentimentos") |
|
|
st.markdown("Insira textos e escolha um modelo de linguagem para realizar a classificação de sentimentos.") |
|
|
|
|
|
modelos_disponiveis = { |
|
|
"FinBertPTBR (turing-usp) ": "turing-usp/FinBertPTBR", |
|
|
"Multilingual Uncased BERT (nlptown)": "nlptown/bert-base-multilingual-uncased-sentiment", |
|
|
"Multilingual Cased BERT (lxyuan)": "lxyuan/distilbert-base-multilingual-cased-sentiments-student", |
|
|
"Multilingual Sentiment Analysis (tabularisai)" : "tabularisai/multilingual-sentiment-analysis" |
|
|
} |
|
|
|
|
|
modelo_escolhido = st.sidebar.selectbox("Escolha o modelo:", list(modelos_disponiveis.keys())) |
|
|
model_name = modelos_disponiveis[modelo_escolhido] |
|
|
|
|
|
@st.cache_resource(show_spinner=False) |
|
|
def carregar_modelo(model_name): |
|
|
tokenizer = AutoTokenizer.from_pretrained(model_name) |
|
|
model = AutoModelForSequenceClassification.from_pretrained(model_name) |
|
|
return tokenizer, model |
|
|
|
|
|
tokenizer, model = carregar_modelo(model_name) |
|
|
|
|
|
def avaliar_sentimento(texto): |
|
|
inputs = tokenizer(texto, return_tensors="pt", padding=True, truncation=True, max_length=512) |
|
|
with torch.no_grad(): |
|
|
outputs = model(**inputs) |
|
|
scores = softmax(outputs.logits[0].numpy()) |
|
|
labels = model.config.id2label |
|
|
resultado = {labels[i]: float(scores[i]) for i in range(len(scores))} |
|
|
sentimento_previsto = max(resultado, key=resultado.get) |
|
|
return {"sentimento": sentimento_previsto, "scores": resultado} |
|
|
|
|
|
textos = st.text_area("Digite os textos (um por linha):", height=200) |
|
|
|
|
|
if st.button("🔍 Analisar Sentimentos"): |
|
|
linhas = [linha.strip() for linha in textos.strip().split("\n") if linha.strip()] |
|
|
|
|
|
if not linhas: |
|
|
st.warning("Por favor, insira ao menos um texto.") |
|
|
else: |
|
|
resultados = [] |
|
|
for t in linhas: |
|
|
res = avaliar_sentimento(t) |
|
|
resultados.append({ |
|
|
"Texto": t, |
|
|
"Sentimento": res["sentimento"], |
|
|
**res["scores"] |
|
|
}) |
|
|
|
|
|
df_resultados = pd.DataFrame(resultados) |
|
|
st.success("Análise concluída!") |
|
|
|
|
|
st.subheader("📋 Resultados") |
|
|
st.dataframe(df_resultados, use_container_width=True) |
|
|
|
|
|
st.subheader("📊 Distribuição de Sentimentos") |
|
|
fig, ax = plt.subplots() |
|
|
df_resultados["Sentimento"].value_counts().plot(kind='bar', ax=ax, rot=0) |
|
|
ax.set_xlabel("Sentimento") |
|
|
ax.set_ylabel("Frequência") |
|
|
st.pyplot(fig) |
