Détection d’opinions dans des textes arabes basée sur l’apprentissage profond

Abstract

Plusieurs travaux et études se sont intéressés à la détection automatique d’opinions dans les textes en utilisant différentes techniques et méthodes. La majorité des travaux actuels dans la détection d’opinions utilisant l’apprentissage profond traitent des langues indo-européennes et en particulier la langue anglaise. Il serait donc intéressant de développer un modèle de détection d’opinions dans des textes en langue arabe. De ce fait, nous avons proposé dans ce travail d’explorer quelques algorithmes d’apprentissage profond comme les réseaux de neurones convolutifs (CNNs) et les réseaux de neurones récurrents (RNNs) pour la détection d’opinions dans des textes en langue arabe. Nous avons examiné l'impact de l’utilisation de stemming sur les données d’entrer, et l’impact d’utiliser différentes techniques de représentation des mots tels que le Tf idf,Bag of words,Aravec et AraBERT sur la performance des modèles. On a également réalisé plusieurs expérimentations sur plusieurs autre dataset. Une analyse comparative a été effectuée sur les résultats obtenus. Finalement ces résultats indiquent que le modèle CNN nous donne une meilleure exactitude avec 95.32% sur le dataset HARD, De plus, nous avons constaté que la technique de representation des données AraBERT ne necissite pas une étape de stemming et qu’elle donne les meilleures performances comparant avec les autres techniques de representations sur tous les ensembles de données de test. Mots clés : Détection d’opinions, analyse des sentiments, langue arabe, apprentissage profond, représentation des documents textuel.