De la Classification d'Opinion à la Recommandation : l'Apport des Textes Communautaires

Damien Poirier (1, 2) , Françoise Fessant (2) , Isabelle Tellier (1)

1 LIFO - Laboratoire d'Informatique Fondamentale d'Orléans
2 Orange Labs [Lannion]

Cet article s'intéresse à la classification d'opinions de textes communautaires par apprentissage supervisé, en vue de les utiliser pour un système de recommandation. Nous comparons différents prétraitements, représentations et techniques d'apprentissage sur des données réelles parlant de films et présentant diverses particularités (textes très courts en anglais, contenant beaucoup de codes type sms, d'abréviations, de fautes d'orthographe, etc.). Nous étudions en détails les résultats de différents classifieurs ainsi que l'apport des prétraitements sur ce type de données. Pour finir, nous évaluons les résultats du meilleur classifieur à l'aide d'un moteur de recommandation de type filtrage collaboratif.

Keywords: cold-start; classification d'opinions; apprentissage supervisé; textes communautaires; cyberlangue; recommandation automatique; filtrage collaboratif; cold-start.

Domains: Machine Learning [cs.LG]; Information Retrieval [cs.IR]; Document and Text Processing

Damien Poirier, Françoise Fessant, Isabelle Tellier. De la Classification d'Opinion à la Recommandation : l'Apport des Textes Communautaires. Revue TAL : traitement automatique des langues, 2010, Opinions, sentiments et jugements d'évaluation, 51 (3), pp.19-46. ⟨inria-00597394⟩