Analyse des sentiments par apprentissage automatique dans un environnement big data

Abstract

L’analyse des sentiments est un domaine du traitement du langage naturel qui vise à capturer le sentiment humain dans un texte donné. Avec la diffusion croissante des sites d’achat en ligne, des sites de micro-blogging et des plateformes de médias sociaux, l’analyse des sentiments a suscité l’intérêt de milliers de chercheurs scientifiques. En effet, dans cette thèse, nous avons étudié et analysé le problème d’analyse des sentiments en utilisant les technologies big data et les techniques de la fouille de données spécifiquement les techniques d’apprentissage automatique et la théorie de la logique floue. Pour résoudre ce problème d’analyse des sentiments, nous avons proposé trois approches hybrides pour effectuer la classification des sentiments avec une haute performance. Dans la première contribution, nous proposons une approche innovante de classification basée sur un arbre de décision ID3 pondéré et mis en oeuvre sous Hadoop. Dans la deuxième, nous proposons un nouveau modèle parallèle pour l’analyse des sentiments, qui combine le réseau neuronal convolutif, l’algorithme d’arbre de décision C4.5 et le système à base de règles floues. Et dans la troisième, un nouveau classificateur d’apprentissage en profondeur parallèle et floue est proposé.