Apprentissage d\'es\'equilibr\'e pour la d\'etection des signaux de l'implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)

Abstract

Une simple d\'etection d'opinions positives ou n\'egatives ne satisfait plus les chercheurs et les entreprises. Le monde des affaires est \`a la recherche d'un «apercu des affaires». Beaucoup de m\'ethodes peuvent \^etre utilis\'ees pour traiter le probl\`eme. Cependant, leurs performances, lorsque les classes ne sont pas \'equilibr\'ees, peuvent \^etre d\'egrad\'ees. Notre travail se concentre sur l'\'etude des techniques visant \`a traiter les donn\'ees d\'es\'equilibr\'ees en parfumerie. Cinq m\'ethodes ont \'et\'e compar\'ees : Smote, Adasyn, Tomek links, Smote-TL et la modification du poids des classe. L'algorithme d'apprentissage choisi est le SVM et l'\'evaluation est r\'ealis\'ee par le calcul des scores de pr\'ecision, de rappel et de f-mesure. Selon les r\'esultats exp\'erimentaux, la m\'ethode en ajustant le poids sur des co\^ut d'erreurs avec SVM, nous permet d'obtenir notre meilleure F-mesure.

Tasks

Reproductions