Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

24e Conférence sur le Traitement Automatique des Langues Naturelles (TALN) Orlé

24e Conférence sur le Traitement Automatique des Langues Naturelles (TALN) Orléans, France – 26-30 juin 2017 https://taln2017.cnrs.fr Actes de l’atelier « DéﬁFouille de Textes » (DEFT 2017) Farah Benamara, Cyril Grouin, Jihen Karoui, Véronique Moriceau, Isabelle Robba (Eds.) Sponsors : Préface L’analyse des sentiments est un domaine de recherche extrêmement actif en traitement automatique des langues. En effet, ces dernières années ont vu se multiplier les sources de données textuelles porteuses d’opinion disponibles sur le web. Devant cette abondance de données et de sources, l’au- tomatisation de la synthèse des multiples avis devient cruciale pour obtenir efﬁcacement une vue d’ensemble des opinions sur un sujet donné. Globalement, les systèmes actuels ont obtenu de bons résultats sur la classiﬁcation automatique du caractère subjectif ou objectif d’un document (Liu, 2015). En revanche, les résultats sur la tâche d’analyse de polarité restent encore peu concluants. La raison principale de cet échec est l’incapacité des algorithmes actuels à comprendre toutes les subtilités du langage humain. Parmi ces subtilités, nous nous focalisons sur le langage ﬁguratif. Contrairement au langage littéral, le langage ﬁguratif détourne le sens propre pour lui conférer un sens dit ﬁguré ou imagé, comme l’ironie, le sarcasme, l’humour, la métaphore ou encore les jeux de mots. La détection automatique du langage ﬁguratif est un sujet de recherche extrêmement actif principalement en raison de son importance pour améliorer les performances des systèmes d’analyse d’opinions (Maynard and Greenwood 2014 ; Ghosh et al. 2015, Benamara et al, 2017). Pour ce déﬁ, nous nous intéressons en particulier à l’ironie, au sarcasme et à l’humour. L’ironie est un phénomène complexe largement étudié en philosophie et en linguistique (Grice 1975 ; Sperber and Wilson 1981 ; Utsumi 1996). Globalement, l’ironie est déﬁnie comme une ﬁgure de rhétorique par laquelle on dit le contraire de ce qu’on veut faire comprendre. Par exemple, pour exprimer une opinion négative envers son téléphone portable, on peut utiliser une forme littérale ("Ce téléphone est un désastre") ou alors une forme imagée ("Quel super téléphone !"). En linguistique computationnelle, l’ironie est un terme générique employé pour désigner un ensemble de phénomènes ﬁguratifs incluant le sarcasme, même si ce dernier s’exprime avec plus d’aigreur et d’agressivité (Clift 1999). La détection du langage ﬁguratif et son rôle dans l’analyse de sentiment a fait l’objet de plusieurs campagnes d’évaluation ces dernières années. Citons notamment la campagne SemEval 2015 Task 11 (Ghosh et al. 2015) sur des tweets anglais et les campagnes SENTIPOLC@Evalita dans leurs éditions de 2014 et 2016 sur des tweets italiens (Basile et al., 2014 ; Barbieri et al., 2016). Grâce à cette édition de DEFT, nous mettons en place une 1ère campagne d’évaluation autour de ces thèmes iii pour le français. La tâche est ouverte aux équipes de recherche académiques et industrielles. iv Comités Comité scientiﬁque Patrice Bellot, LSIS, Aix-Marseille Université Caroline Brun, XRCE-XEROX, Grenoble Béatrice Daille, LINA, Université de Nantes Guy Lapalme, RALI, Université de Montréal Patrick Paroubek, LIMSI, CNRS, Université Paris-Saclay Comité d’organisation Farah Benamara, IRIT, Université de Toulouse Cyril Grouin, LIMSI, CNRS, Université Paris-Saclay Jihen Karoui, IRIT, Université de Toulouse Véronique Moriceau, LIMSI, CNRS, Univ. Paris-Sud, Université Paris-Saclay Isabelle Robba, LIMSI, CNRS, UVSQ, Université Paris-Saclay v vi Table des matières Session « oral » Analyse d’opinion et langage ﬁguratif dans des tweets : présentation et résultats du DéﬁFouille de Textes DEFT2017 Farah Benamara, Cyril Grouin, Jihen Karoui, Véronique Moriceau, Isabelle Robba . . . . . . . . . . . 1 LIA @ DEFT’2017 : Multi-view Ensemble of Convolutional Neural Network Mickael Rouvier, Pierre-Michel Bousquet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Système d’ensemble pour la classiﬁcation de tweets, DEFT2017 Damien Sileo, Camille Pradel, Philippe Muller, Tim Van de Cruys . . . . . . . . . . . . . . . . . . . . . . . . . . 27 FrenchSentiClass : un Système Automatisé pour la Classiﬁcation de Sentiments en Français Mike Donald Tapi Nzali, Amine Abdaoui, Jérôme Azé, Sandra Bringay, Christian Lavergne, Caroline Mollevi, Pascal Poncelet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 "L’important c’est de participer" : positive ironie. Analyse de sentiments et détection de l’ironie Les systèmes du LIUM et d’OCTO. Amira Barhoumi, Vincent Levorato, Nicolas Dugué, Nathalie Camelin . . . . . . . . . . . . . . . . . . . . . . 42 Participation de l’IRISA à DeFT2017 : systèmes de classiﬁcation de complexité croissante Vincent Claveau, Christian Raymond . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 TWEETANEUSE : Fouille de motifs en caractères et plongement lexical à l’assaut du DEFT 2017 Davide Buscaldi, Aude Grezka, Gaël Lejeune . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 Exploitation des plongements de mots pour l’analyse d’opinion et du langage ﬁguratif des tweets (DEFT 2017) Amir Hazem, Basma El Amal Boussaha, Nicolas Hernandez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 Participation d’Orange Labs à DEFT2017 Aleksandra Guerraz, Nicolas Voisine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .84 vii Polarity analysis of non ﬁgurative tweets : Tw-StAR participation on DEFT 2017 Hala Mulki, Hatem Haddad, Mourad Gridach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92 DEFT 2017 - Texts Search @ TALN / RECITAL 2017 : Deep Analysis of Opinion and Figurative language on Tweets in French Vinayakumar R, Sachin Kumar S, Premjith B, Prabaharan P, and Soman K P . . . . . . . . . . . . . . . . 99 viii Analyse d’opinion et langage ﬁguratif dans des tweets : présentation et résultats du DéﬁFouille de Textes DEFT2017 Farah Benamara1 Cyril Grouin2 Jihen Karoui1 Véronique Moriceau3 Isabelle Robba4 (1) IRIT, Université de Toulouse (2) LIMSI, CNRS, Université Paris-Saclay (3) LIMSI, CNRS, Univ. Paris-Sud, Université Paris-Saclay (4) LIMSI, CNRS, UVSQ, Université Paris-Saclay {farah.benamara, jihen.karoui}@irit.fr {cyril.grouin, veronique.moriceau, isabelle.robba}@limsi.fr RÉSUMÉ La détection automatique du langage ﬁguratif dans les réseaux sociaux est un sujet de recherche extrêmement actif principalement en raison de son importance pour améliorer les performances des systèmes d’analyse d’opinions. Pour la première fois, l’édition 2017 du DéﬁFouille de Texte (DEFT) s’intéresse à l’inﬂuence du langage ﬁguratif (en particulier l’ironie, le sarcasme et l’humour) dans l’analyse d’opinions à partir de tweets en français. Trois tâches de niveaux de complexité croissants ont été proposées aux participants : (T1) déterminer la polarité globale des tweets non ﬁguratifs, (T2) déterminer si un tweet contient ou non du langage ﬁguratif, et (T3) déterminer la polarité globale des tweets ﬁguratifs et non ﬁguratifs. Douze équipes ont participé à ce déﬁ. Les meilleurs résultats, en macro f-mesure, sont de 0,650 pour (T1), 0,783 pour (T2) et 0,594 pour (T3). Ces résultats montrent clairement que l’usage du langage ﬁguratif complique considérablement l’analyse d’opinions. ABSTRACT Figurative language detection has gained relevance recently, due to its importance for efﬁcient sentiment analysis. For the ﬁrst time, the DéﬁFouille de Texte (DEFT) shared task aims to analyse the impact of ﬁguratif language (focusing in particular on irony, sarcasm and humor) on sentiment analysis of French tweets. Three tasks with an increasing level of complexity have been proposed to participants : (T1) polarity analysis of non ﬁgurative tweets, (T2) ﬁgurative language detection, and (T3) polarity analysis of non ﬁgurative and ﬁgurative tweets. Twelve teams participated in the competition. Best results in terms of macro f-score are 0.650 for (T1), uploads/Litterature/analyse-d-opinion-et-langage-figuratif-d.pdf