Du bon usage d'ingrédients linguistiques spéciaux pour classer des recettes exceptionnelles

Elham Mohammadi (1) , Louis Marceau (2) , Eric Charton (2) , Leila Kosseim (1) , Luka Nerima (3) , Marie-Jean Meurs (4)

1 Concordia University
2 Banque Nationale du Canada
3 UNIGE - Université de Genève = University of Geneva
4 UQAM - Université du Québec à Montréal = University of Québec in Montréal

Nous présentons un modèle d’apprentissage automatique qui combine modèles neuronaux et linguistiques pour traiter les tâches de classification dans lesquelles la distribution des étiquettes des instances est déséquilibrée. Les performances de ce modèle sont mesurées à l’aide d’expériences menées sur les tâches de classification de recettes de cuisine de la campagne DEFT 2013 (Grouin et al., 2013). Nous montrons que les plongements lexicaux (word embeddings) associés à des méthodes d’apprentissage profond obtiennent de meilleures performances que tous les algorithmes déployés lors de la campagne DEFT. Nous montrons aussi que ces mêmes classifieurs avec plongements lexicaux peuvent gagner en performance lorsqu’un modèle linguistique est ajouté au modèle neuronal. Nous observons que l’ajout d’un modèle linguistique au modèle neuronal améliore les performances de classification sur les classes rares.

Mots clés: caractéristiques linguistiques.; Classification de textes; apprentissage profond

Domaines: Informatique et langage [cs.CL]

Elham Mohammadi, Louis Marceau, Eric Charton, Leila Kosseim, Luka Nerima, et al.. Du bon usage d'ingrédients linguistiques spéciaux pour classer des recettes exceptionnelles. 6e conférence conjointe Journées d'Études sur la Parole (JEP, 33e édition), Traitement Automatique des Langues Naturelles (TALN, 27e édition), Rencontre des Étudiants Chercheurs en Informatique pour le Traitement Automatique des Langues (RÉCITAL, 22e édition). Volume 2 : Traitement Automatique des Langues Naturelles, 2020, Nancy, France. pp.81-94. ⟨hal-02784757v3⟩