Détection automatique de l'ironie : application à la fouille d'opinion dans les microblogs et les médias sociaux

Auteur(s) :

Karoui, Jihen

Résumé

La masse de documents numériques exprimant une opinion ne fait qu'augmenter sur les sites Internet et les réseaux sociaux. Les systèmes d'analyse automatiques actuels, confrontés aux subtilités du langage, atteignent leurs limites. L'ouvrage propose un modèle de détection de l'ironie dans les tweets français ainsi qu'un projet de portabilité multilingue après avoir présenté un corpus de référence.

Autre(s) auteur(s)
- Benamara, Farah
- Moriceau, Véronique
Éditeur(s)
- Iste éditions
Date
- cop. 2019
Langues
- Français
Description matérielle
- 1 vol. (VIII-178 p.) : ill. en coul., fig., tabl., graph. ; 24 cm
Collections
- Sciences cognitives
Sujet(s)
ISBN
- 978-1-78405-565-3
Indice
- 681.1 Analyse informatique
Quatrième de couverture
- Ces dernières années ont vu se multiplier sur le Web des textes porteurs d'opinion : avis d'internautes, commentaires sur les réseaux sociaux, etc. L'automatisation de la synthèse des avis devient cruciale pour acquérir une vue d'ensemble sur un sujet donné. Les systèmes automatiques actuels obtiennent de bons résultats sur la classification du caractère subjectif ou objectif d'un document. Cependant, ceux obtenus sur la tâche d'analyse de polarité restent peu concluants en raison de l'incapacité des algorithmes à comprendre les subtilités du langage humain.
  Détection automatique de l'ironie présente, en trois étapes, une approche par apprentissage supervisé permettant de prédire si un tweet est ironique ou non. Il analyse d'abord les phénomènes pragmatiques de l'ironie et présente un corpus de référence. Il développe ensuite un modèle de détection automatique de l'ironie pour les tweets en français qui exploite des traits sémantiques et le contexte extralinguistique. Il présente enfin une étude de la portabilité dans un cadre multilingue (italien, anglais, arabe).
Tables des matières
- - Détection automatique de l'ironie
  - Application à la fouille d'opinion dans les microblogs et les médias sociaux
  - Jihen Karoui
  - Farah Benamara
  - Véronique Moriceau
  - iSTE
  - Avant-propos1
  - Introduction3
  - Chapitre 1. De l'analyse d'opinion au traitement du langage figuratif9
  - 1.1. Introduction9
  - 1.2. Définition de la notion d'opinion10
  - 1.2.1. Multiples facettes de l'opinion10
  - 1.2.2. L'opinion vue comme un modèle structuré11
  - 1.2.3. Extraction d'opinions : principales approches12
  - 1.3. Limites des systèmes d'analyse d'opinion16
  - 1.3.1. Opérateurs d'opinion16
  - 1.3.2. Dépendance au domaine17
  - 1.3.3. Opinion implicite17
  - 1.3.4. Opinion et contexte discursif au-delà de la phrase18
  - 1.3.5. Présence d'expressions figuratives19
  - 1.4. Définition du langage figuratif19
  - 1.4.1. Ironie20
  - 1.4.1.1. Ironie verbale21
  - 1.4.1.2. Ironie de situation24
  - 1.4.2. Sarcasme25
  - 1.4.3. Satire26
  - 1.4.4. Métaphore27
  - 1.4.5. Humour28
  - 1.5. Traitement automatique du langage figuratif : un défi pour le TAL28
  - 1.6. Conclusion29
  - Chapitre 2. Vers la détection automatique du langage figuratif31
  - 2.1. Introduction31
  - 2.2. Principaux corpus existants pour le langage figuratif33
  - 2.2.1. Corpus annotés en ironie/sarcasme34
  - 2.2.1.1. Senti-TUT : corpus de tweets en italien34
  - 2.2.1.2. Corpus de tweets en anglais et néerlandais36
  - 2.2.2. Corpus annotés en métaphore38
  - 2.2.2.1. Collecte du corpus38
  - 2.2.2.2. Schéma d'annotation39
  - 2.2.2.3. Résultats de la campagne d'annotation40
  - 2.3. Détection automatique de l'ironie, du sarcasme et de la satire41
  - 2.3.1. Approches surfaciques et sémantiques41
  - 2.3.2. Approches pragmatiques43
  - 2.3.2.1. Approches pragmatiques exploitant le contexte interne de l'énoncé43
  - 2.3.2.2. Approches pragmatiques exploitant le contexte externe de l'énoncé53
  - 2.4. Détection automatique de la métaphore55
  - 2.4.1. Approches surfaciques et sémantiques55
  - 2.4.2. Approches pragmatiques57
  - 2.4.2.1. Approches pragmatiques exploitant le contexte interne de l'énoncé57
  - 2.4.2.2. Approches pragmatiques exploitant le contexte externe de l'énoncé59
  - 2.5. Détection automatique de la comparaison61
  - 2.6. Détection automatique de l'humour62
  - 2.7. Conclusion64
  - Chapitre 3. Un schéma multiniveau pour l'annotation de l'ironie dans les réseaux sociaux67
  - 3.1. Introduction67
  - 3.2. Corpus FrIC69
  - 3.3. Schéma d'annotation multiniveau70
  - 3.3.1. Méthodologie70
  - 3.3.2. Schéma d'annotation73
  - 3.3.2.1. Niveau 1 : classes du tweet73
  - 3.3.2.2. Niveau 2 : types de l'ironie74
  - 3.3.2.3. Niveau 3 : catégories de l'ironie76
  - 3.3.2.4. Niveau 4 : marqueurs linguistiques de l'ironie80
  - 3.4. Campagne d'annotation81
  - 3.4.1. Présentation de l'outil Glozz81
  - 3.4.2. Préparation des données83
  - 3.4.3. Procédure d'annotation84
  - 3.5. Résultats de la campagne d'annotation85
  - 3.5.1. Résultats qualitatifs86
  - 3.5.2. Résultats quantitatifs86
  - 3.5.2.1. Fréquences des tweets selon les classes87
  - 3.5.2.2. Fréquences des tweets selon le type de l'ironie87
  - 3.5.2.3. Fréquences des tweets selon les catégories de l'ironie88
  - 3.5.2.4. Fréquences des tweets selon les indices linguistiques89
  - 3.5.2.5. Fréquences des relations dans les tweets ironiques avec contradiction explicite92
  - 3.5.3. Corrélation entre les différents niveaux du schéma d'annotation92
  - 3.5.3.1. Corrélation entre le type et les indices de l'ironie93
  - 3.5.3.2. Corrélation entre l'activation et les indices de l'ironie93
  - 3.5.3.3. Corrélation entre les différents indices de l'ironie94
  - 3.5.3.4. Corrélation entre les catégories et les indices de l'ironie94
  - 3.6. Conclusion94
  - Chapitre 4. Trois modèles pour la détection automatique de l'ironie97
  - 4.1. Introduction97
  - 4.2. Corpus FrIC^Auto98
  - 4.3. Modèle SurfSystem : détection de l'ironie sur la base de traits surfaciques101
  - 4.3.1. Traits utilisés101
  - 4.3.2. Expériences et résultats102
  - 4.4. Modèle PragSystem : détection de l'ironie sur la base de traits contextuels internes104
  - 4.4.1. Traits utilisés105
  - 4.4.1.1. Traits de surface105
  - 4.4.1.2. Traits de sentiment105
  - 4.4.1.3. Traits pour les modifieurs106
  - 4.4.1.4. Traits pour les modifieurs de sentiment107
  - 4.4.1.5. Traits de contexte107
  - 4.4.1.6. Traits d'opposition107
  - 4.4.2. Expériences et résultats108
  - 4.4.2.1. Étude de pertinence de traits au processus d'apprentissage109
  - 4.4.2.2. Apport de chaque groupe de traits au processus d'apprentissage109
  - 4.4.2.3. Résultats pour les meilleures combinaisons de traits109
  - 4.4.3. Discussion115
  - 4.5. Modèle QuerySystem : vers un modèle pragmatique contextuel pour la détection automatique de l'ironie117
  - 4.5.1. Approche proposée117
  - 4.5.2. Expériences et résultats120
  - 4.5.3. Évaluation de la méthode à base de requêtes121
  - 4.6. Conclusion122
  - Chapitre 5. Vers un système multilingue pour la détection automatique de l'ironie125
  - 5.1. Introduction125
  - 5.2. Ironie dans les langues indo-européennes126
  - 5.2.1. Corpus126
  - 5.2.1.1. Collecte du corpus anglais126
  - 5.2.1.2. Collecte du corpus italien127
  - 5.2.2. Résultats de la procédure d'annotation128
  - 5.2.2.1. Résultats quantitatifs de la procédure d'annotation en ironique/non ironique130
  - 5.2.2.2. Résultats quantitatifs de la procédure d'annotation sur les types de l'ironie130
  - 5.2.2.3. Résultats quantitatifs de la procédure d'annotation sur les catégories de l'ironie131
  - 5.2.2.4. Résultats quantitatifs de la procédure d'annotation pour les indices de l'ironie132
  - 5.2.2.5. Résultats quantitatifs de la procédure d'annotation des relations de contradiction135
  - 5.2.2.6. Corrélation entre les différents niveaux du schéma d'annotation135
  - 5.2.3. Synthèse137
  - 5.3. Ironie dans les langues sémitiques137
  - 5.3.1. Spécificités de la langue arabe139
  - 5.3.2. Corpus et ressources140
  - 5.3.2.1. Collecte du premier corpus arabe pour l'ironie140
  - 5.3.2.2. Ressources linguistiques142
  - 5.3.3. Détection automatique de l'ironie dans les tweets arabes143
  - 5.3.3.1. Traits utilisés pour la détection de l'ironie143
  - 5.3.3.2. Expériences et résultats143
  - 5.3.3.3. Discussion144
  - 5.4. Conclusion146
  - Conclusion147
  - Annexe. Catégories de l'ironie étudiées dans la littérature linguistique151
  - Bibliographie163
  - Index179
Origine de la notice:
- BPI