Opinion Mining : Extraction & structuration

Abstract

Ce que les autres pensent a toujours été un élément d'information très important pour la plupart d'entre nous au cours du processus de la prise de décision. Bien avant que la connaissance du World Wide Web ne se généralise, beaucoup d'entre nous ont demandé l’avis de leurs amis pour recommander un produit ou utiliser un service. De nos jours, et avec l’évolution des technologies Web, les utilisateurs d’internet sont constamment invités à partager leurs opinions et leurs préférences avec le reste du monde, ce qui a entraîné une augmentation de blogs d'opinions, de critiques de produits, de services et de commentaires sur pratiquement tout. Ce type de contenu Web est de plus en plus reconnu comme une source de données apportant une valeur ajoutée à plusieurs domaines d’application. Cependant, les gens ont souvent du mal à lire manuellement chaque revue, à identifier et à résumer des sentiments ou des opinions détaillés enfouis dans les ressources riches en opinions. La fouille traditionnelle des opinions, qui se concentre sur les opinions générales, ne parvient pas à révéler les sentiments concernant les aspects des entités examinées. Pour ce faire, la fouille d’opinion basée sur les aspects vise à extraire les aspects relatifs aux produits et les opinions correspondantes exprimées par les utilisateurs. Dans le cadre de cette thèse nous étudions le problème de recherche de la fouille d’opinion basée sur les aspects (Aspect based opinion mining (ABOM)), qui consiste à extraire les aspects relatifs aux entités critiquées et les opinions correspondantes à chaque aspect exprimées par les utilisateurs dans des textes porteurs d’opinion écrites en langue naturelle. ABOM comprend plusieurs sous-tâches: 1) extraction d'aspect, 2) classification des catégories d'aspect, et 3) classification de la polarité des sentiments au niveau d’aspect. Nous nous sommes concentrés sur l’extraction des aspects et la détection de la polarité des sentiments concernant les aspects de chaque entité. Pour ce faire, nous proposons dans cette thèse une approche Deep Learning, basée sur les réseaux de neurones en profondeur de type LSTM arborescente (Tree-Long Short Term Memory), dont laquelle l'extraction des d'aspect et la classification des opinions sont simultanément gérées dans un même réseau de neurones en profondeur de type Tree-LSTM. Les résultats sur l'ensemble de données de référence SemEval 2014 suggèrent l'efficacité de notre approche proposée et démontrent qu'elle réalise de meilleures performances par rapport à diverses architectures présentées dans le domaine.