Prédire l'intensité de contradiction dans les commentaires : faible, forte ou très forte ?

Résumé : Les commentaires sur des ressources Web (ex. des cours, des films) deviennent de plus en plus exploitées dans des tâches d'analyse de texte (ex. détection d'opinion, dé-tection de controverses). Cet article étudie l'intensité de contradiction dans les commentaires en exploitant diffé-rents critères tels que la variation des notations et la variation des polarités autour d'entités spécifiques (ex. aspects, sujets). Premièrement, les aspects sont identifiés en fonc-tion des distributions des termes émotionnels à proximité des noms les plus fréquents dans la collection des commen-taires. Deuxièmement, la polarité est estimée pour chaque segment de commentaire contenant un aspect. Seules les ressources ayant des commentaires contenant des aspects avec des polarités opposées sont prises en compte. Enfin, les critères sont évalués, en utilisant des algorithmes de sé-lection d'attributs, pour déterminer leur impact sur l'effi-cacité de la détection de l'intensité des contradictions. Les critères sélectionnés sont ensuite introduits dans des mo-dèles d'apprentissage pour prédire l'intensité de contradiction. L'évaluation expérimentale est menée sur une collection contenant 2244 cours et leurs 73873 commentaires, collectés à partir de coursera.org. Les résultats montrent que la variation des notations, la variation des polarités et la quantité de commentaires sont les meilleurs prédicteurs de l'intensité de contradiction. En outre, J48 est l'approche d'apprentissage la plus efficace pour cette tâche
Type de document :
Article dans une revue
Bulletin de l'AFIA (Association Française pour l'Intelligence Artificielle), A paraître
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-01872267
Contributeur : Ismail Badache <>
Soumis le : mardi 11 septembre 2018 - 18:09:14
Dernière modification le : mercredi 24 octobre 2018 - 21:48:06
Document(s) archivé(s) le : mercredi 12 décembre 2018 - 15:59:37

Fichier

2019_AFIA_BADACHE.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01872267, version 1

Collections

Citation

Ismail Badache, Sébastien Fournier, Adrian-Gabriel Chifu. Prédire l'intensité de contradiction dans les commentaires : faible, forte ou très forte ?. Bulletin de l'AFIA (Association Française pour l'Intelligence Artificielle), A paraître. 〈hal-01872267〉

Partager

Métriques

Consultations de la notice

28

Téléchargements de fichiers

70