Analyse des publications dans les réseaux sociaux par apprentissage profond

Abstract

Aujourd’hui les réseaux sociaux représentent un moyen de communication indispensable, ils permettent la diffusion des différentes informations et nouvelles dans le monde dans différentes langues.

L’objectif de notre travail est l’analyse des publications sur les réseaux sociaux en utilisant des techniques de classification de données textuelle selon deux classes : statuts violents et statuts non violents et cela dans le but de détecter les statuts violents, de propos raciste et menaçants.

Afin d’atteindre notre objectif, nous proposons deux combinaisons entre les algorithmes d’apprentissage profond CNN-LSTM et CNN-BILSTM. Ainsi, Pour régler le problème de déséquilibrage du dataset, nous utilisons une technique de sur-échantillonnage « Oversampling » dite SMOTE. Une étude expérimentale est effectuée. Les résultats obtenus montrent l’intérêt des combinaisons proposées.

Mots clé : Apprentissage profond, Classification supervisée, Réseaux sociaux, Réseaux de neurones, BiLstm, Détection de langage agressive, Corpus déséquilibré, Oversampling.