Mining Customers' Opinions for Online Reputation Generation and Visualization in e-Commerce Platforms

Abstract

Un avis client, également appelé avis consommateur, est une contribution formulée par un client ou un consommateur afin d’évaluer sa satisfaction à l’égard d’une expérience, d’un produit ou d’un service. Aujourd’hui, 88 % des consommateurs consultent les avis clients en ligne avant d’effectuer un achat, et 90 % déclarent que ces avis ont influencé leur décision d’achat. Les avis clients constituent donc un canal incontournable pour accéder aux retours d’expérience, aux suggestions et aux idées des consommateurs. Ils permettent de recueillir des informations précieuses et diversifiées sur les produits et les services, aidant ainsi les clients à se forger une première impression.

Toutefois, le nombre d’avis portant sur des produits populaires peut facilement atteindre plusieurs milliers, quelle que soit leur catégorie : appareils électroménagers, films, séries télévisées, hôtels ou services. Ainsi, bien qu’un nombre élevé d’avis puisse contribuer à une meilleure évaluation de la qualité d’un produit, les consommateurs risquent de se retrouver submergés par la multitude d’opinions disponibles sur le produit recherché. Il en résulte un nouveau défi : accompagner les consommateurs tout au long de leur processus de prise de décision en ligne.

Pour répondre à cette problématique, cette thèse de doctorat propose de développer des systèmes destinés à accompagner les consommateurs et capables de générer, à partir de commentaires rédigés en langage naturel, des indicateurs de réputation synthétiques. Ces systèmes visent à réduire le temps et les efforts nécessaires à l’analyse des avis et à fournir une assistance numérique adaptée à la prise de décision en ligne, contribuant ainsi à améliorer l’expérience d’achat sur Internet.

Le premier chapitre présente une étude bibliographique (related work) consacrée aux techniques existantes dans le domaine du traitement automatique du langage naturel appliquées à l’assistance des consommateurs dans le commerce électronique social (social e-commerce). Il aborde notamment l’analyse des sentiments à l’échelle du document (document-level sentiment analysis) ainsi que l’analyse fine des sentiments (fine-grained sentiment analysis).

Le deuxième chapitre présente un système de réputation qui combine l’analyse des sentiments (sentiment analysis), l’analyse sémantique (semantic analysis) et la fusion des opinions (opinion fusion) afin de calculer un score de réputation pour différentes entités, notamment les produits, les films, les hôtels et les services.

Le troisième chapitre introduit MTVRep, un système de réputation conçu pour les films et les séries télévisées. Le système proposé associe l’analyse sémantique à l’analyse fine des sentiments afin de générer et de visualiser la réputation des œuvres audiovisuelles.

Le quatrième chapitre présente un système de réputation qui prend en considération plusieurs caractéristiques des avis : leur utilité (review helpfulness), leur date de publication (review time), la polarité du sentiment exprimé (review sentiment polarity) et la note attribuée sous forme d’étoiles (review rating). L’objectif est de générer des scores de réputation pour différentes catégories d’entités, notamment les produits, les films, les séries télévisées, les hôtels et les services.

Enfin, le dernier chapitre décrit AmazonRep, une extension du système de réputation présenté au quatrième chapitre. Ce système intègre, en plus des caractéristiques précédentes, la crédibilité de l’auteur de l’avis (user credibility). Il vise ainsi à fournir une assistance aux clients d’Amazon tout au long de leur processus de prise de décision d’achat, en leur permettant d’exploiter plus efficacement les avis disponibles.