Comparaison de représentations de textes en vue d'une analyse exploratoire
Résumé
Dans cet article, nous étudions de façon qualitative l’intérêt de plusieurs représentations
vectorielles de textes pour l’analyse exploratoire d’un corpus. Une représentation élémentaire
par sac de mots (unigrammes) est comparée à celle obtenue à partir de la distance Sinkhorn
entre les textes calculée sur une représentation vectorielle des mots. Puis, une classification des
textes ainsi représentés est construite à l’aide de l’algorithme high-dimensional data clustering
(HDDC). Les différences, entre les représentations, sont illustrées grâce à un nouveau corpus
de textes constitués à partir des rapports 8-K de l’entreprise Wells Fargo (pour les années 2015
et 2016). Nous analysons la cohérence des classes ainsi obtenues et cherchons à les caractériser
en terme de vocabulaire et de sujets spécifiques.
Domaines
Méthodologie [stat.ME]Origine | Fichiers produits par l'(les) auteur(s) |
---|