extraction d'opinions appliquée à des critèresurtado/slides/duthil_14_06_2012.pdf ·...

IntroductionL’approche

ExperimentationsConclusion et perspectives

Application

Extraction d’opinions appliquee a des criteres

Benjamin Duthil

Ecole des Mines d’Ales - Centre de recherches LGI2P - KIDDirecteurs de these: Jacky Montmain (LGI2P), Pascal Poncelet (LIRMM)

Encadrants: Francois Trousset, Gerard Dray

14 juin 2012

1/31 Benjamin Duthil Extraction d’opinions appliquee a des criteres



Application

1 IntroductionObjectifsExemple

2 L’approchePresentationConstitution d’un corpus d’apprentissageApprentissageExtraction d’opinion

3 Experimentations

4 Conclusion et perspectives

5 Application




Application

ObjectifsExemple



3 Experimentations


5 Application




Application

ObjectifsExemple

Objectifs

Objectifs

Extraire l’opinion relative a des criteres.

Classification de textes.




Application

ObjectifsExemple



3 Experimentations


5 Application




Application

ObjectifsExemple

Exemple

Exemple : critique cinematographique




Application

ObjectifsExemple

Constat

Le score agrege masque la divergence sur les criteres mise enscene et scenario et restitue donc mal la richesse semantique dutexte.

Ce constat n’est pas specifique a l’analyse de critiquescinematographiques :

politique (Thomas et al., 2006).

e-commerce (Castro-Schez et al., 2011).

les systemes de recommandations (Garcia et al., 2011).




Application

PresentationConstitution d’un corpus d’apprentissageApprentissageExtraction d’opinion



3 Experimentations


5 Application




Application


Presentation

Processus global




Application


Problematiques

Problematiques

1 Extraction de criteres (Synopsis : Duthil et al. 2011,DEXA’11).

2 Apprentissage automatique d’un vocabulaire d’opinion(adjectifs, expressions (adverbe + adjectif)) relatif a undomaine.

3 Classification de textes.




Application




3 Experimentations


5 Application




Application


Apprentissage

Apprentissage des termes proches (semantiquement) de motsgermes.

Textes web contenant de l’opinion positive : ”good”, ”nice”,

”excellent”, ”positive”, ”fortunate”, ”correct”, ”superior”.

Textes web contenant de l’opinion negative : ”bad”, ”nasty”,

”poor”, ”negative”, ”unfortunate”, ”wrong”, ”inferior”.

Constitution automatique d’un corpus d’apprentissage contenantles mots germes.




Application




3 Experimentations


5 Application




Application


Apprentissage

Apprentissage

Utilisation d’une fenetre pour assurer la coherence semantique avec les motsgermes.

Plus un descripteur est correle a un mot germe plus il est vraisemblable qu’il soitde meme polarite que le germe.

Plus un descripteur est ”eloigne” (hors fenetres) moins il est pertinent.




Application


Apprentissage

Exemple de fenetre

Figure: Exemple de fenetre de taille 2

La Figure 3 illustre un exemple de fenetre de taille 2, i.e. il y a 2 adjectifs a

gauche (positive, correct) et 2 adjectifs a droite (great, nice) du germe good.




Application


Necessite de considerer quatre ensembles :1 Les mots fortement correles aux germes positifs : classe (X (M)positif ) des

positifs.

2 Les mots fortement correles aux germes negatifs : classe (X (M)negatifs) desnegatifs.

3 Les mots eloignes des germes positifs : anti-classe (X (M)positif ) des positifs.

4 Les mots mots eloignes des germes negatifs : anti-classe (X (M)negatif ) des

negatifs.

Figure: Carre semiotique de Piaget




Application


Apprentissage

Frequences des mots pour chacune des quatre classes :

Pour les classes :

X (M) =∑g∈P

∑t∈Sg

∑γ∈O(g ,t)

O(M,F (γ, sz , t)) (1)

Pour les anti-classes :

X (M) =∑g∈P

∑t∈Sg

∑γ∈O(g ,t)

O(M,F ′(γ, sz , t)) (2)




Application


Exemple de Frequences

Exemple de frequences :

Positif Negatif

M X (M) X (M) M X (M) X (M)

good 1467 53 wrong 509 20very nice 832 61 incorrect 190 35dramatic 0 157 not important 12 87




Application


Discrimination

Discrimination :

A partir des frequences X (M) et X (M) nous pouvons determinerl’appartenance d’un descripteur a sa classe et son anti-classe encalculant son score tel que :

Sc(M) =(X − X )3

(X + X )2(3)

Nous ne conservons seulement les mots qui ont Sc(M) > 0.




Application


Exemple de Frequences

Exemple apres discrimination :

Nous deduisons la polarite des descripteurs : si Sc(M) < 0 alors Mest negatif et si Sc(M) > 0 alors M est positif.

Mot Sc(M)good 1223

very nice 574

wrong -417

incorrect -73

Le signe symbolisant la polarite du descripteur.




Application




3 Experimentations


5 Application




Application


Extraction d’opinion

Utilisation d’une fenetre glissante de taille sz successivementcentree sur chaque occurrence d’un adjectif dans le texte t.Pour chaque fenetre f , Score(f ) =

∑M∈f Sc(M).

La polarite de t est determinee par le signe de∑f ∈t Score(f ). Si

∑f ∈t Score(f ) < 0, t est negatif, si∑

f ∈t Score(f ) > 0, t est positif.




Application

Experimentations

Utilisation du corpus propose par Pang et al. 2002, EMNLP.

Comparaison a SenticNet (Cambria et al. 2010, ArtificialIntelligence) qui propose une collection de concepts polarises.




Application

Experimentations

Nous proposons ici d’evaluer l’approche dans un contexte declassification de textes sans criteres.

Notre approche SenticNetpositif negatif positif negatif

FScore 0,73 0,69 0,68 0,68precision 0,68 0,75 0,54 0,74rappel 0,79 0,63 0,91 0,25

Table: Resultats sur le corpus de Pang et al. en classification de textes

.

Les resultats sont similaires entre les deux approches pour de laclassification sans critere.




Application

Experimentations

Critere ActeurNotre approche SenticNetpositif negatif positif negatif


Table: Resultats en classification de textes sur les criteres ”acteur”

.




Application

Experimentations

Critere ScenarioNotre approche SenticNetpositif negatif positif negatif


Table: Resultats en classification de textes sur les criteres ”scenario”

.




Application

Conclusion

Conclusion

Le vocabulaire appris est pertinent.

Les experimentations montrent que le critere ”acteur” estdominant dans la majorite des cas sur le corpus considere.




Application

Conclusion

Conclusion

L’affaire DSK !




Application

Resume

Conclusion




Application

Perspectives

Perspectives

Annotation conceptuelle automatique de document.

note floue : Point de vue + Intensite dans le document

Apprentissage automatique individuel de systeme depreferences.

Detection de rumeurs.




Application

Questions

Merci de votre attention.


extraction d'opinions appliquée à des critèresurtado/slides/duthil_14_06_2012.pdf ·...

Documents