{ "paper_id": "F13-2011", "header": { "generated_with": "S2ORC 1.0.0", "date_generated": "2023-01-19T09:40:34.142130Z" }, "title": "L'apport des Entit\u00e9s Nomm\u00e9es pour la classification des opinions minoritaires", "authors": [ { "first": "Amel", "middle": [], "last": "Fraisse", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 Paris-Sud", "location": { "postBox": "B\u00e2t. 508", "postCode": "91403", "settlement": "Orsay Cedex", "country": "France (" } }, "email": "" }, { "first": "Patrick", "middle": [], "last": "Paroubek", "suffix": "", "affiliation": { "laboratory": "", "institution": "Universit\u00e9 Paris-Sud", "location": { "postBox": "B\u00e2t. 508", "postCode": "91403", "settlement": "Orsay Cedex", "country": "France (" } }, "email": "" }, { "first": "Gil", "middle": [], "last": "Francopoulo", "suffix": "", "affiliation": {}, "email": "" } ], "year": "", "venue": null, "identifiers": {}, "abstract": "La majeure partie des travaux en fouille d'opinion et en analyse de sentiment concerne le classement des opinions majoritaires. Les m\u00e9thodes d'apprentissage supervis\u00e9 \u00e0 base de ngrammes sont souvent employ\u00e9es. Elles ont l'inconv\u00e9nient d'avoir un biais en faveur des opinions majoritaires si on les utilise de mani\u00e8re classique. En fait la pr\u00e9sence d'un terme particulier, fortement associ\u00e9 \u00e0 la cible de l'opinion dans un document peut parfois suffire \u00e0 faire basculer le classement de ce document dans la classe de ceux qui expriment une opinion majoritaire sur la cible. C'est un ph\u00e9nom\u00e8ne positif pour l'exactitude globale du classifieur, mais les documents exprimant des opinions minoritaires sont souvent mal class\u00e9s. Ce point est un probl\u00e8me dans le cas o\u00f9 l'on s'int\u00e9resse \u00e0 la d\u00e9tection des signaux faibles (d\u00e9tection de rumeur) ou pour l'anticipation de renversement de tendance. Nous proposons dans cet article d'am\u00e9liorer la classification des opinions minoritaires en prenant en compte les Entit\u00e9s Nomm\u00e9es dans le calcul de pond\u00e9ration destin\u00e9 \u00e0 corriger le biais en faveur des opinions majoritaires.", "pdf_parse": { "paper_id": "F13-2011", "_pdf_hash": "", "abstract": [ { "text": "La majeure partie des travaux en fouille d'opinion et en analyse de sentiment concerne le classement des opinions majoritaires. Les m\u00e9thodes d'apprentissage supervis\u00e9 \u00e0 base de ngrammes sont souvent employ\u00e9es. Elles ont l'inconv\u00e9nient d'avoir un biais en faveur des opinions majoritaires si on les utilise de mani\u00e8re classique. En fait la pr\u00e9sence d'un terme particulier, fortement associ\u00e9 \u00e0 la cible de l'opinion dans un document peut parfois suffire \u00e0 faire basculer le classement de ce document dans la classe de ceux qui expriment une opinion majoritaire sur la cible. C'est un ph\u00e9nom\u00e8ne positif pour l'exactitude globale du classifieur, mais les documents exprimant des opinions minoritaires sont souvent mal class\u00e9s. Ce point est un probl\u00e8me dans le cas o\u00f9 l'on s'int\u00e9resse \u00e0 la d\u00e9tection des signaux faibles (d\u00e9tection de rumeur) ou pour l'anticipation de renversement de tendance. Nous proposons dans cet article d'am\u00e9liorer la classification des opinions minoritaires en prenant en compte les Entit\u00e9s Nomm\u00e9es dans le calcul de pond\u00e9ration destin\u00e9 \u00e0 corriger le biais en faveur des opinions majoritaires.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Abstract", "sec_num": null } ], "body_text": [ { "text": "Il est devenu de nos jours tr\u00e8s facile d'assembler de grandes quantit\u00e9s de textes d'opinion \u00e0 partir des r\u00e9seaux sociaux, de forums et de sites de critique en ligne pour construire un classifieur de documents bas\u00e9 sur les opinions, qui fonctionnera avec un niveau de performance suffisant pour une utilisation industrielle. Cependant, un tel syst\u00e8me est souvent biais\u00e9 en faveur des opinions majoritaires exprim\u00e9s \u00e0 propos d'une cible particuli\u00e8re pr\u00e9sente dans les donn\u00e9es d'entrainement. Si nous utilisons un tel syst\u00e8me pour analyser de nouveaux documents concernant la m\u00eame cible, il est tr\u00e8s vraisemblable qu'ils seront affect\u00e9s par le classifieur au courant d'opinion majoritaire, essentiellement du fait de la pr\u00e9sence de termes sp\u00e9cifiques \u00e0 la cible de l'opinion dans ces documents. Bien s\u00fbr cela s'applique \u00e0 n'importe quel type de document, en particulier les critiques de produits, films etc. Par exemple, si l'on cherche \u00e0 classer un document qui parle d'un film \u00e0 succ\u00e8s, la simple mention du titre, d'un acteur de la distribution, du producteur, ou du metteur en sc\u00e8ne, sera suffisante pour que le classifieur lui assigne une cat\u00e9gorie positive.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Paradoxallement, ce biais en faveur de l'opinion majoritaire favorise l'exactitude globale des syst\u00e8mes d'analyse d'opinion lorsque seules deux ou trois classes d'opinion sont consid\u00e9r\u00e9es, car la distribution des diff\u00e9rents types de documents des donn\u00e9es d'entra\u00eenement est suppos\u00e9e refl\u00e9ter la distribution pr\u00e9sente des diff\u00e9rents types de document des donn\u00e9es de test. En fait, c'est une consid\u00e9ration qui a m\u00eame servi d'hypoth\u00e8se de travail pour constituer le corpus d'apprentissage. Si une cible d'opinion est majoritairement positive dans les donn\u00e9es d'entra\u00eenement on s'attend a ce que les donn\u00e9es de test contiennent plus de documents \u00e0 teneur positive que de documents n\u00e9gatifs \u00e0 propos de cette cible.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Mais dans cetains cas, il est souhaitable d'avoir un syst\u00e8me qui soit aussi capable de d\u00e9terminer correctement la polarit\u00e9 d'un document exprimant une opinion minoritaire, par exemple lorsque l'on cherche \u00e0 d\u00e9tecter des signaux faibles (pour la d\u00e9tection de rumeur) ou bien si l'on cherche \u00e0 anticiper des retournements d'opinion majoritaire. Ce dernier point est particuli\u00e8rement strat\u00e9gique pour toutes les industries reposant sur la fourniture de service, o\u00f9 l'on cherche \u00e0 fid\u00e9liser ses abonn\u00e9s. Un syst\u00e8me de fouille d'opinion capable d'effectuer un classement correct des opinions minoritaires peut \u00eatre compar\u00e9 \u00e0 un expert qui prend des d\u00e9cisions de classement uniquement en fonction des opinions exprim\u00e9es dans un document particulier \u00e0 propos d'une cible, sans tenir compte de l'opinion g\u00e9n\u00e9rale sur cette cible.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Introduction", "sec_num": "1" }, { "text": "Nous repr\u00e9sentons un document donn\u00e9 d comme un ensemble de traits : d = {g 1 , g 2 , ..., g k }, nous d\u00e9finissons son vecteur de poids w d = {w(g 1 ), w(g 2 ), ..., w(g k )}, o\u00f9 w(g i ) est le poids du trait g i dans le document d. Dans un premier temps, nous utilisons les deux sch\u00e9mas de pond\u00e9ration les plus utilis\u00e9s dans le domaine de l'analyse de sentiment : Binaire et DELTA-TFIDF (Martineau et Finin, 2009) (Paltoglou et Thelwall, 2010) . Ensuite, nous utilisons les trois sch\u00e9mas de pond\u00e9rations propos\u00e9s par (Pak et Parboubek, 2011) pour am\u00e9liorer la classification des opinions minoritaires. Le principe de base de ces trois m\u00e9triques consiste \u00e0 r\u00e9duire l'importance des traits qui pourraient introduire un biais dans le classement d'une critique minoritaire. Comme d\u00e9crit dans (Pak, 2012), la premi\u00e8re m\u00e9trique est bas\u00e9e sur la fr\u00e9quence moyenne d'un trait. La deuxi\u00e8me m\u00e9trique appel\u00e9e proportion d'entit\u00e9 (ep) est bas\u00e9e sur les occurrences d'un trait \u00e0 travers l'ensemble des entit\u00e9s e 1 , comparativement \u00e0 sa fr\u00e9quence d'apparition dans l'ensemble de documents. La troisi\u00e8me m\u00e9trique, combine la fr\u00e9quence moyenne d'un trait et sa proportion d'entit\u00e9.", "cite_spans": [ { "start": 387, "end": 413, "text": "(Martineau et Finin, 2009)", "ref_id": "BIBREF0" }, { "start": 414, "end": 443, "text": "(Paltoglou et Thelwall, 2010)", "ref_id": "BIBREF7" }, { "start": 517, "end": 541, "text": "(Pak et Parboubek, 2011)", "ref_id": "BIBREF5" } ], "ref_spans": [], "eq_spans": [], "section": "Sch\u00e9mas de pond\u00e9ration", "sec_num": "2" }, { "text": "La fr\u00e9quence moyenne d'un trait (agv.tf) est le nombre moyen de fois qu'un trait appara\u00eet dans un document, {d|g i \u2208 d} est l'ensemble de documents qui contient g i , (Pak, 2012) .", "cite_spans": [ { "start": 167, "end": 178, "text": "(Pak, 2012)", "ref_id": "BIBREF4" } ], "ref_spans": [], "eq_spans": [], "section": "Fr\u00e9quence moyenne d'un trait", "sec_num": "2.1" }, { "text": "avg.tf(g i ) = {d|g i \u2208d} tf(g i ) {d|g i \u2208 d} (1)", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Fr\u00e9quence moyenne d'un trait", "sec_num": "2.1" }, { "text": "La normalisation \u00e0 base de fr\u00e9quence moyenne d'un trait est bas\u00e9e sur l'observation que les auteurs de critiques ont tendance \u00e0 utiliser un vocabulaire riche quand ils expriment leur attitude par rapport \u00e0 un film ou un produit. Ainsi, les traits exprimant des sentiments comme remarquable (outstanding) ou adorable (lovingly) ont une fr\u00e9quence moyenne proche ou \u00e9gale a 1, tandis que les traits non subjectifs ont une fr\u00e9quence moyenne plus \u00e9lev\u00e9e. Afin de normaliser le vecteur repr\u00e9sentatif d'un document qui associe \u00e0 chaque trait pr\u00e9sent dans le document un poids repr\u00e9sentatif de son importance, nous divisons chaque poids par la fr\u00e9quence moyenne du trait correspondant (Pak, 2012) :", "cite_spans": [ { "start": 677, "end": 688, "text": "(Pak, 2012)", "ref_id": "BIBREF4" } ], "ref_spans": [], "eq_spans": [], "section": "Fr\u00e9quence moyenne d'un trait", "sec_num": "2.1" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "w(g i ) * = w(g i ) avg.tf(g i )", "eq_num": "(2)" } ], "section": "Fr\u00e9quence moyenne d'un trait", "sec_num": "2.1" }, { "text": "La proportion d'entit\u00e9 (ep) est la proportion des occurrences d'un trait par rapport aux diff\u00e9rentes entit\u00e9s comparativement \u00e0 la fr\u00e9quence des documents (Pak, 2012) . le vecteur repr\u00e9sentatif d'un document, nous multiplions chaque poids associ\u00e9 \u00e0 un trait par sa proportion d'entit\u00e9 (Pak, 2012) .", "cite_spans": [ { "start": 154, "end": 165, "text": "(Pak, 2012)", "ref_id": "BIBREF4" }, { "start": 284, "end": 295, "text": "(Pak, 2012)", "ref_id": "BIBREF4" } ], "ref_spans": [], "eq_spans": [], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "ep(g i ) = log ( {e|g i \u2208 e} {d|g i \u2208 d} \u2022 D E )", "eq_num": "(3)" } ], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "w(g i ) * = w(g i ) \u2022 ep(g i )", "eq_num": "(4)" } ], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "Le troisi\u00e8me sch\u00e9ma de pond\u00e9ration propos\u00e9 par (Pak, 2012) , consiste \u00e0 combiner la fr\u00e9quence moyenne d'un trait et la proportion d'entit\u00e9 selon la formule suivante : (Paroubek et al., 2010) . Nous nous int\u00e9ressons ici \u00e0 la cible, \u00e0 laquelle, dans la plupart des cas, on fait r\u00e9f\u00e9rence au moyen d'entit\u00e9s nomm\u00e9es (personne, produit, organisation, lieu etc.) et auxquelles est souvent associ\u00e9 un ensemble d'entit\u00e9s nomm\u00e9es contextuelles, propre \u00e0 la cible, comme par exemple la distribution d'un film ou le nom de son metteur en sc\u00e8ne.", "cite_spans": [ { "start": 47, "end": 58, "text": "(Pak, 2012)", "ref_id": "BIBREF4" }, { "start": 167, "end": 190, "text": "(Paroubek et al., 2010)", "ref_id": "BIBREF8" } ], "ref_spans": [], "eq_spans": [], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "w(g i ) * = w(g i ) \u2022 ep(g i ) avg.tf(g i )", "eq_num": "(5" } ], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "EQUATION", "cite_spans": [], "ref_spans": [], "eq_spans": [ { "start": 0, "end": 8, "text": "EQUATION", "ref_id": "EQREF", "raw_str": "w N E d = w d \\ {w(g i ), g i \u2208 N E}", "eq_num": "(6)" } ], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "3 Exp\u00e9rimentations", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "Proportion d'entit\u00e9", "sec_num": "2.2" }, { "text": "Nous utilisons le jeu de donn\u00e9es : Large Movie Review Dataset (A.L. Maas A.L. et al., 2011) qui a \u00e9t\u00e9 utilis\u00e9 par le pass\u00e9 pour des recherches en analyse de sentiment. Il contient 50 000 critiques de film r\u00e9partis selon une proportion \u00e9gale entre les critiques n\u00e9gatives et les critiques positives. Pour pr\u00e9parer le jeu de donn\u00e9es, nous avons suivi la proc\u00e9dure d\u00e9crite dans (Pak, 2012) . Pour chaque film, nous avons pris trois documents pour le test et sept pour l'apprentissage. Ces valeurs ont \u00e9t\u00e9 choisies de mani\u00e8re heuristique afin de maximiser le nombre total de critiques. La constitution des donn\u00e9es est illustr\u00e9e dans la figure 1. Pour s\u00e9parer l'ensemble de donn\u00e9es en FIGURE 1 -Processus de composition de jeu de donn\u00e9es (Pak, 2012 Les critiques restantes de chaque groupe sont transf\u00e9r\u00e9es dans le corpus de test. Nous appelons ce corpus \"biais\u00e9 de mani\u00e8re minoritaire\" car le corpus de test contient des critiques avec une polarit\u00e9e minoritaire. Afin de prouver que la baisse de performance est due effectivement aux traits biais\u00e9s, nous avons construit un corpus de test compos\u00e9 des m\u00eames critiques mais r\u00e9-organis\u00e9 de telle mani\u00e8re que les critiques aient la m\u00eame polarit\u00e9 que la polarit\u00e9 dominante dans le corpus d'apprentissage pour chaque e. Nous appelons ce corpus \"biais\u00e9 de mani\u00e8re majoritaire\". Enfin, nous avons construit le corpus \"non-biais\u00e9\" de telle mani\u00e8re que le corpus du test et le corpus d'apprentissage ne contiennent aucun document en commun.", "cite_spans": [ { "start": 62, "end": 91, "text": "(A.L. Maas A.L. et al., 2011)", "ref_id": "BIBREF2" }, { "start": 375, "end": 386, "text": "(Pak, 2012)", "ref_id": "BIBREF4" }, { "start": 733, "end": 743, "text": "(Pak, 2012", "ref_id": "BIBREF4" } ], "ref_spans": [], "eq_spans": [], "section": "Donn\u00e9es", "sec_num": "3.1" }, { "text": "Pour nos exp\u00e9rimentations, nous avons utilis\u00e9 la biblioth\u00e8que LIBLINEAR avec un noyau lin\u00e9aire et un param\u00e9trage par d\u00e9faut (R.E. Fan et al., 2008) GALIBERT, O., ROSSET, S., GROUIN, C., ZWEIGENBAUM, P. et QUINTARD, L. (2012) . Extended named entity annotation on ocred documents : From corpus constitution to evaluation campaign. In Proceedings of the 8 th LREC, pages 3126-3131, Istanbul, Turkey. ELDA.", "cite_spans": [ { "start": 130, "end": 147, "text": "Fan et al., 2008)", "ref_id": "BIBREF3" }, { "start": 174, "end": 224, "text": "GROUIN, C., ZWEIGENBAUM, P. et QUINTARD, L. (2012)", "ref_id": null } ], "ref_spans": [], "eq_spans": [], "section": "R\u00e9sultats", "sec_num": "3.2" }, { "text": "c ATALA", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null }, { "text": "Les syst\u00e8mes de fouille d'opinion et plus particuli\u00e8rement de classement en polarit\u00e9, bas\u00e9s sur les approches traditionnelles, c'est-\u00e0-dire les approches \u00e0 base d'apprentissage automatique supervis\u00e9 utilisant les simples mod\u00e8les \u00e0 sac-de-mots(Pak, 2012), ont tendance \u00e0 s'appuyer sur les traits sp\u00e9cifiques des entit\u00e9s et, par voie de cons\u00e9quences, ils sont biais\u00e9s en faveur des opinions majoritaires pr\u00e9sents dans les donn\u00e9es d'apprentissage. En particulier les traits r\u00e9pr\u00e9sentant des EN utilis\u00e9s pour r\u00e9f\u00e9rencer la cible de l'opinion sont identifi\u00e9s par le syst\u00e8me comme indicateurs de polarit\u00e9 pour les opinions majoritaires. Prenons l'exemple d'un film qui a eu un grand succ\u00e8s comme AVATAR, non seulement la mention du titre du film, dans le commentaire, qui pourrait entra\u00eener une classification positive du commentaire mais aussi la citation du nom du directeur du film James Cameron, et cela m\u00eame dans le cas, o\u00f9 il s'agit d'un commentaire n\u00e9gatif sur le film. En outre, les entit\u00e9s nomm\u00e9es ne font pas parti du vocabulaire g\u00e9n\u00e9ral pour l'expression d'opinion et de sentiments. De notre point de vue, un syst\u00e8me de fouille d'opinion doit \u00eatre capable de faire la distinction entre les indicateurs d'opinion exprim\u00e9s de fa\u00e7on explicite, dans l'expression de l'opinion, et ceux qui sont li\u00e9s \u00e0 la pr\u00e9sence des traits contextuels3 comme par exemple les EN. Afin d'am\u00e9liorer la classification des opinions minoritaires, il faut donc r\u00e9duire l'importance des traits contextuels qui souvent, introduisent un biais dans le processus de classification de ce type d'opinion. Nous proposons donc de compl\u00e9ter la normalisation des sch\u00e9mas de pond\u00e9ration de(Pak, 2012) en se basant sur un syst\u00e8me de reconnaissance des EN. Dans un premier ensemble d'exp\u00e9rimentation, nous avons proc\u00e9d\u00e9 de la fa\u00e7on suivante : si un trait g i est reconnu comme une EN alors son poids est \u00e9cart\u00e9 du vecteur de poids du document (voir Eq. 6).3. Ensemble de traits associ\u00e9 \u00e0 une cible d'opinion et qui d\u00e9finissent le contexte de la cible. Par exemple, les traits Quentin Tarantino et Jamie Foxx apparaissent souvent dans le contexte d'une critique du film Django.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null }, { "text": "ConclusionLes m\u00e9thodes que nous avons propos\u00e9es dans cet article permettent de diminuer l'importance des EN sp\u00e9cifiques \u00e0 une cible d'opinion particuli\u00e8re, en normalisant leur poids dans le vecteur de poids qui est utilis\u00e9 par les repr\u00e9sentations classiques \u00e0 base de n-grammes en apprentissage automatique. Les \u00e9valuations que nous avons effectu\u00e9es sur des jeux de donn\u00e9s sp\u00e9cialement construit \u00e0 partir de jeux de donn\u00e9es standard pour tester nos hypoth\u00e8ses, ont montr\u00e9 que le classement des documents exprimant des opinions minoritaires est grandement am\u00e9lior\u00e9 ( +8%), ce qui prouve que notre mode de pond\u00e9ration prenant en compte les EN a un impact positif sur la mesure d'exactitude de classification pour les documents d'opinion minoritaires, une n\u00e9cessit\u00e9 pour la d\u00e9tection de signaux faibles ou l'anticipation de renversement de tendance. Il faut cependant noter que l'accroissement de performance n'est pas aussi important pour les mod\u00e8les \u00e0 base de bigrammes ( +1%) entra\u00een\u00e9s avec des donn\u00e9es naturellement biais\u00e9es, mais il reste positif, ce qui prouve que notre mode de pond\u00e9ration fonctionne au moins aussi bien que les approches classiques sur ces donn\u00e9es.", "cite_spans": [], "ref_spans": [], "eq_spans": [], "section": "", "sec_num": null } ], "back_matter": [], "bib_entries": { "BIBREF0": { "ref_id": "b0", "title": "Proposal for an extension of traditional named entities : From guidelines to evaluation, an overview", "authors": [ { "first": "C", "middle": [], "last": "Grouin", "suffix": "" }, { "first": "S", "middle": [], "last": "", "suffix": "" }, { "first": "S", "middle": [ "R" ], "last": "Zweigenbaum", "suffix": "" }, { "first": "P", "middle": [], "last": "Fort", "suffix": "" }, { "first": "K", "middle": [], "last": "Galibert", "suffix": "" }, { "first": "O", "middle": [], "last": "Quintard", "suffix": "" }, { "first": "L", "middle": [], "last": "Acl", "suffix": "" }, { "first": "J", "middle": [], "last": "Martineau", "suffix": "" }, { "first": "T", "middle": [], "last": "Finin", "suffix": "" } ], "year": 2009, "venue": "Proceedings of the Fifth Law Workshop (LAW V)", "volume": "", "issue": "", "pages": "92--100", "other_ids": {}, "num": null, "urls": [], "raw_text": "GROUIN, C., S., S. R., ZWEIGENBAUM, P., FORT, K., GALIBERT, O. et QUINTARD, L. (2011). Proposal for an extension of traditional named entities : From guidelines to evaluation, an overview. In Proceedings of the Fifth Law Workshop (LAW V), pages 92-100, Portland, Oregon. ACL. MARTINEAU, J. et FININ, T. (2009). Delta tfidf : An improved feature space for sentiment analysis.", "links": null }, "BIBREF1": { "ref_id": "b1", "title": "Proceedings of the Third AAAI Int. Conf. on Weblogs and Social Media", "authors": [], "year": null, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "In Proceedings of the Third AAAI Int. Conf. on Weblogs and Social Media, San Jose, CA. AAAI Press.", "links": null }, "BIBREF2": { "ref_id": "b2", "title": "Learning word vectors for sentiment analysis", "authors": [ { "first": "A", "middle": [ "L L" ], "last": "Maas A", "suffix": "" }, { "first": "R", "middle": [ "E" ], "last": "Daly", "suffix": "" }, { "first": "P", "middle": [ "T" ], "last": "Pham", "suffix": "" }, { "first": "D", "middle": [], "last": "Huang", "suffix": "" }, { "first": "A", "middle": [ "Y" ], "last": "Ng", "suffix": "" }, { "first": "C", "middle": [], "last": "Potts", "suffix": "" } ], "year": 2011, "venue": "Proceedings of the 49 th Annual Meeting of the ACL", "volume": "", "issue": "", "pages": "142--150", "other_ids": {}, "num": null, "urls": [], "raw_text": "A.L. MAAS A.L., R.E. DALY, P.T. PHAM, HUANG, D., A.Y. NG et POTTS, C. (2011). Learning word vectors for sentiment analysis. In Proceedings of the 49 th Annual Meeting of the ACL, pages 142-150, Portland, Oregon, USA. ACL. http ://www.aclweb.org/anthology/P11-1015.", "links": null }, "BIBREF3": { "ref_id": "b3", "title": "Liblinear : A library for large linear classification", "authors": [ { "first": "R", "middle": [ "E" ], "last": "Fan", "suffix": "" }, { "first": "K", "middle": [ "W" ], "last": "Chang", "suffix": "" }, { "first": "C", "middle": [ "J" ], "last": "Hsieh", "suffix": "" }, { "first": "X", "middle": [ "R" ], "last": "Wang", "suffix": "" }, { "first": "C", "middle": [ "J" ], "last": "Lin", "suffix": "" } ], "year": 2008, "venue": "J. Mach. Learn. Res", "volume": "9", "issue": "", "pages": "1871--1874", "other_ids": {}, "num": null, "urls": [], "raw_text": "R.E. FAN, K.W. CHANG, C.J. HSIEH, X.R. WANG et C.J. LIN (2008). Liblinear : A library for large linear classification. J. Mach. Learn. Res., 9:1871-1874. URL http ://por- tal.acm.org/citation.cfm ?id=1390681.1442794.", "links": null }, "BIBREF4": { "ref_id": "b4", "title": "Automatic, Adaptive,and Applicative Sentiment Analysis", "authors": [ { "first": "A", "middle": [], "last": "Pak", "suffix": "" } ], "year": 2012, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "PAK, A. (2012). Automatic, Adaptive,and Applicative Sentiment Analysis. Th\u00e8se de doctorat, Th\u00e8se de l'\u00c9cole Doctorale d'Informatique de l'Universit\u00e9 Paris-Sud, Orsay.", "links": null }, "BIBREF5": { "ref_id": "b5", "title": "Normalization of term weighting scheme for sentiment analysis", "authors": [ { "first": "A", "middle": [], "last": "Pak", "suffix": "" }, { "first": "P", "middle": [], "last": "Parboubek", "suffix": "" } ], "year": 2011, "venue": "", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "PAK, A. et PARBOUBEK, P. (2011). Normalization of term weighting scheme for sentiment analysis.", "links": null }, "BIBREF6": { "ref_id": "b6", "title": "Language and Technology Conference : Human Language Technologies as a Challenge for Computer Science and Linguistics", "authors": [], "year": null, "venue": "", "volume": "", "issue": "", "pages": "415--419", "other_ids": {}, "num": null, "urls": [], "raw_text": "In Language and Technology Conference : Human Language Technologies as a Challenge for Computer Science and Linguistics, pages 415-419, Pozna\u0144, Poland.", "links": null }, "BIBREF7": { "ref_id": "b7", "title": "A study of information retrieval weighting schemes for sentiment analysis", "authors": [ { "first": "G", "middle": [], "last": "Paltoglou", "suffix": "" }, { "first": "M", "middle": [], "last": "Thelwall", "suffix": "" } ], "year": 2010, "venue": "Proceedings of the 48 th Annual Meeting of the ACL", "volume": "", "issue": "", "pages": "1386--1395", "other_ids": {}, "num": null, "urls": [], "raw_text": "PALTOGLOU, G. et THELWALL, M. (2010). A study of information retrieval weighting schemes for sentiment analysis. In Proceedings of the 48 th Annual Meeting of the ACL, pages 1386-1395, Morristown, NJ, USA,. ACL.", "links": null }, "BIBREF8": { "ref_id": "b8", "title": "Annotations for opinion mining evaluation in the industrial context of the doxa project", "authors": [ { "first": "P", "middle": [], "last": "Paroubek", "suffix": "" }, { "first": "A", "middle": [], "last": "Pak", "suffix": "" }, { "first": "D", "middle": [], "last": "Mostefa", "suffix": "" } ], "year": 2010, "venue": "Proceedings of the 7 th International Conference on Language Resources and Evaluation (LREC)", "volume": "", "issue": "", "pages": "", "other_ids": {}, "num": null, "urls": [], "raw_text": "PAROUBEK, P., PAK, A. et MOSTEFA, D. (2010). Annotations for opinion mining evaluation in the industrial context of the doxa project. In Proceedings of the 7 th International Conference on Language Resources and Evaluation (LREC), Valetta, Malta. ELDA.", "links": null } }, "ref_entries": { "TABREF0": { "num": null, "type_str": "table", "html": null, "content": "", "text": "o\u00f9 {e|g i \u2208 e} est l'ensemble des entit\u00e9s qui contiennent g i , D est le nombre total de documents, E est le nombre total d'entit\u00e9. La normalisation de proportion d'entit\u00e9 favorise les traits qui apparaissent dans nombreuses entit\u00e9s mais rarement dans l'ensemble de documents. Nous distinguons trois types de traits : (a) le vocabulaire d'une e, tels que le num\u00e9ro de s\u00e9rie d'un film, la puissance d'une machine 2 . Ce type de trait est associ\u00e9 \u00e0 peu d'entit\u00e9 et donc devraient appara\u00eetre dans peu de documents. La valeur de ep devrait \u00eatre proche de celle de la constante de normalisation N C = ||D|| ||E|| , (b) les mots-outils, tels que les d\u00e9terminants et les pr\u00e9positions, devraient appara\u00eetre dans presque tous les documents, et donc associ\u00e9s \u00e0 presque toutes les entit\u00e9s. La valeur de ep sera proche de celle de la N C et enfin (c) les termes subjectifs, tels que \u00ab remarquable \u00bb ou \u00ab adorable \u00bb, qui devraient appara\u00eetre associ\u00e9s \u00e0 beaucoup de produits et dans un nombre relativement restreint de documents, car les auteurs utilisent un vocabulaire vari\u00e9. La valeur de ep sera plus grande que la constante de normalisation N C. Pour normaliser" }, "TABREF2": { "num": null, "type_str": "table", "html": null, "content": "
", "text": "). sous-ensembles d'apprentissage et test, au d\u00e9part, nous avons group\u00e9 toutes les critiques par e (c'est-\u00e0-dire le film), identifi\u00e9e par un identifiant unique dans l'ensemble des donn\u00e9es. A partir de ces groupes, pour chaque e nous avons choisi toutes les critiques d'une polarit\u00e9 dominante dans ce groupe et nous les avons transf\u00e9r\u00e9 dans le corpus d'apprentissage." }, "TABREF3": { "num": null, "type_str": "table", "html": null, "content": "
. Les entit\u00e9s nomm\u00e9es ont \u00e9t\u00e9 marqu\u00e9es
par G. Francopoulo avec l'outil industriel TagParser de TAGMATICA (Francopoulo et Demay,
2011). En premier lieu, nous prouvons l'effet n\u00e9gatif des traits contextuels et sp\u00e9cifiques aux e sur
l'exactitude de classification des critiques minoritaires. Nous avons effectu\u00e9 des exp\u00e9rimentations
sur trois variantes des corpus : non-biais\u00e9 (unb), biais\u00e9 de mani\u00e8re minoritaire (minb), biais\u00e9 de
mani\u00e8re majoritaire (majb). Nous avons utilis\u00e9 les unigrammes (uni) et les bigrammes (bi) avec
des poids : binaire (bin) et Delta-TFIDF. Les r\u00e9sultats sur l'exactitude de la classification selon les
corpus et les n-grammes sont pr\u00e9sent\u00e9s dans la table 1.
binunb. \u2206 Unigrammes + binaire minb. \u2206 80.7 69.4majb. \u2206 83.4
avg.tf ep comb comb.ex.NE Delta TF-IDF 83.3 81.5 +0.8 72.3 80.1 -0.6 71.3 80.7 +0.0 73.0 79.5 -1.2 73.6 Unigrammes + Delta TF-IDF +2.9 84.8 +1.9 83.5 +3.6 84.4 +4.2 84.6 63.5 89.2+1.4 +0.1 +1.0 +1.2
avg.tf ep comb comb.ex.NE bin81.1 -2.2 82.3 -1.0 81.7 -1.6 81.2 -2.1 Bigrammes + binaire 69.4 +5.9 87.6 67.2 +3.7 87.8 69.0 +5.5 87.5 71.4 +7.9 87.5 79.6 71.9 83.5-1.6 -1.4 -1.7 -2.1
R\u00e9f\u00e9rencesavg.tf ep comb comb.ex.NE Delta TF-IDF 83.0 79.7 +0.1 72.8 80.3 +0.7 74.0 80.8 +1.2 74.9 81.1 +1.5 76.1 Bigrammes + Delta TF-IDF +0.9 84.0 +2.1 84.2 +3.0 84.6 +4.2 84.8 69.9 87.6+0.5 +0.7 +1.1 +1.3
avg.tf ep comb comb.ex.NE82.9 -0.1 83.2 +0.2 74.4 76.0 83.3 +0.3 75.1 83.9 +0.9 78.1+6.0 86.1 +4.5 86.2 +5.2 85.8 +8.2 85.2-1.5 -1.4 -1.8 -2.4
TABLE 1 -Exactitude de classification des critiques des films en utilisant les diff\u00e9rents sch\u00e9mas
de normalisation.
", "text": "En observant la table 1, nous constatons que les traits associ\u00e9s aux entit\u00e9s provoquent une baisse des performances sur le corpus biais\u00e9 de mani\u00e8re minoritaire quand on le compare avec le corpus non-biais\u00e9 (unb vs. minb). Nous observons aussi une augmentation des performance sur le corpus biais\u00e9 de mani\u00e8re majoritaire malgr\u00e9 une taille du corpus d'apprentissage plus petite (unb vs majb). Cela montre que notre classifieur apprend \u00e0 associer les traits contextuels et sp\u00e9cifiques \u00e0 une e \u00e0 sa polarit\u00e9 majoritaire. Les r\u00e9sultats sont similaires d'un corpus \u00e0 l'autre, d'une variante \u00e0 l'autre et d'une propri\u00e9t\u00e9 \u00e0 l'autre. Le Delta TFIDF bien qu'am\u00e9liorant l'exactitude globale provoque des mauvaises classifications de critiques minoritaires car il donne de l'importance aux traits sp\u00e9cifiques y compris donc les traits repr\u00e9sentants des EN. Nous l'observons en comparant les r\u00e9sultats en utilisant Delta TFIDF (uni + \u2206 et bi + \u2206) sur le corpus biais\u00e9 de mani\u00e8re minoritaire avec les corpus non-biais\u00e9s et biais\u00e9s de mani\u00e8re majoritaire. Enfin, nous avons \u00e9valu\u00e9 les effets du sch\u00e9ma de normalisation propos\u00e9 sur l'exactitude de la classification. Ainsi que nous l'avons observ\u00e9 sur les pr\u00e9c\u00e9dentes exp\u00e9rimentations, le fait d'exclure les poids des traits repr\u00e9sentant des EN augmente la performance comme pr\u00e9sent\u00e9 dans les parties mises en exergue dans la table 1.FRANCOPOULO, G. et DEMAY, F. (2011).A deep ontology for named entities. In Proceedings of the Int. Conf. on Computational Semantics, Interoperable Semantic Annotation workshop. ACL.." } } } }