Réseau de neurones à double convolution pour la classification de sentiments multi-domaines

Abdelhalim Rafrafi (1) , Vincent Guigue (1) , Patrick Gallinari (1)

1 MALIRE - Machine Learning and Information Retrieval

Nous proposons d'utiliser un réseau de neurones pour classer les sentiments positifs et négatifs de commentaires issus du web participatif. Le réseau de neurones que nous présentons utilise une double convolution : dans chaque phrase, les mots sont projetés sur une première couche cachée. Ces représentations de mots sont fusionnées pour obtenir une représentation des phrases en dimension fixe (première convolution). Les phrases sont ensuite projetées sur une seconde couche cachée puis fusionnées au niveau du document (seconde convolution). Une dernière couche classique permet de prendre une décision globale. Cette approche présente la particularité de projeter les mots dans un espace sémantique continu de dimension paramétrable, à la manière des algorithmes à variables latentes de type PLSA ou LDA. Toutefois, la construction de cet espace est totalement supervisée, les coordonnées des mots étant apprises par rétro-propagation de l'erreur sur l'ensemble du réseau. Nous montrons l'intérêt de cette architecture sur la tâche de classification de sentiments. Les performances en mono-domaine sont intéressantes mais c'est surtout la robustesse lors du passage au multi-domaines qui distingue notre approche du reste de l'état de l'art. Nous proposons des résultats qualitatifs et quantitatifs pour illustrer le fonctionnement du réseau.

Mots clés: Classification de sentiments; Opinion Mining; Réseau de neurones à convolutions; multi-domaines

Domaines: Apprentissage [cs.LG]

Abdelhalim Rafrafi, Vincent Guigue, Patrick Gallinari. Réseau de neurones à double convolution pour la classification de sentiments multi-domaines. Conférence Francophone sur l'Apprentissage Automatique - CAp 2012, Laurent Bougrain, May 2012, Nancy, France. 16 p. ⟨hal-00745495⟩