Modèles heuristiques de classification des opinions à partir d'une étude comparative des réseaux profonds - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2017

Modèles heuristiques de classification des opinions à partir d'une étude comparative des réseaux profonds

Résumé

Dans cet article nous présentons une étude compa- rative de deux types d’architecture de réseaux pro- fonds (Réseaux convolutionnels et RNNs, plus par- ticulièrement, LSTM). Ensuite, nous proposons un modèle qui combine ces deux architectures : celle de CNNs qui sont hiérarchiques et sont adaptés à la détection des corrélations de voisinage, et celle de RNNs qui sont séquentiels et adaptés aux informa- tions contextuelles à longue distance. Les CNNs et RNNs fournissent des informations complémentaires en classification de texte[VAGS16]. Nous souhaitons étudier cette complémentarité en l’appliquant à la problématique de classification d’opinions et de sen- timents, et plus particulièrement à la détection de la polarité. Le corpus utilisé est en français mais les modèles sont également testés sur les données ouvertes IMDB [MDP+ 11]. Les résultats sont satisfaisants et l’expérience montre que le choix d’hyperparamètres est plus important que la profondeur des couches.
Fichier principal
Vignette du fichier
article_CaP_2017.pdf (326.09 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04536246 , version 1 (09-04-2024)

Identifiants

  • HAL Id : hal-04536246 , version 1

Citer

Lisa Medrouk, Anna Pappa. Modèles heuristiques de classification des opinions à partir d'une étude comparative des réseaux profonds. Conférence sur l'Apprentissage Automatique (CAp2017), 19ième édition, CAp, Jun 2017, Grenoble, France. ⟨hal-04536246⟩
1 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More