Academic Publications

@conference{Badache2018,

title = {Prédire l'intensité de contradiction dans les commentaires : faible, forte ou très forte ?},

author = {Ismaïl Badache and Sébastien Fournier and Adrian Chifu},

url = {https://hal.archives-ouvertes.fr/hal-01839546/document},

year  = {2018},

date = {2018-07-01},

urldate = {2018-07-01},

booktitle = {29es journées francophones d'Ingénierie des Connaissances},

pages = {55-69},

address = {Nancy, France},

series = {IC2018},

abstract = {Les commentaires sur des ressources Web (ex. : des cours, des  films) deviennent de plus en plus exploitées dans des tâches d’analyse de texte (ex. détection d’opinion, détection de controverses). Cet article étudie l’intensité de contradiction dans les commentaires en exploitant différents critères tels que la variation des notations et la variation des polarités autour d’entités spécifiques (ex. aspects, sujets). Premièrement, les aspects sont identifiés en fonction des distributions des termes émotionnels à proximité des noms les plus fréquents dans la collection des commentaires. Deuxièmement, la polarité est estimée pour chaque segment de commentaire contenant un aspect. Seules les ressources ayant des commentaires contenant des aspects avec des polarités opposées sont prises en compte. Enfin, les critères sont évalués, en utilisant des algorithmes de sélection d’attributs, pour déterminer leur impact sur l’efficacité de la détection de l’intensité des contradictions. Les critères sélectionnés sont ensuite introduits dans des modèles d’apprentissage pour prédire l’intensité de contradiction. L’évaluation expérimentale est menée sur une collection contenant 2244 cours et leurs 73873 commentaires, collectés à partir de coursera.org. Les résultats montrent que la variation des notations, la variation des polarités et la quantité de commentaires sont les meilleurs prédicteurs de l’intensité de contradiction. En outre, J48 est l’approche d’apprentissage la plus efficace pour cette tâche.},

note = {2nd Best Paper},

keywords = {Analyse de sentiments, Détection d'aspects, Evaluation des critères, Intensité de contradiction},

pubstate = {published},

tppubtype = {conference}

}

@conference{Badache2017,

title = {Détection de contradiction dans les commentaires},

author = {Ismail Badache and Sébastien Fournier and Adrian Chifu},

url = {http://www.asso-aria.org/coria/2017/17.pdf},

year  = {2017},

date = {2017-03-29},

booktitle = {COnférence en Recherche d'Information et Applications},

series = {CORIA2017},

abstract = {L’analyse des avis (commentaires) générés par les utilisateurs devient de plus en plus exploitable par une variété d’applications. Elle permet de suivre l’évolution des avis ou d’effec- tuer des enquêtes sur des produits. La détection d’avis contradictoires autour d’une ressource Web (ex. cours, film, produit, etc.) est une tâche importante pour évaluer cette dernière. Dans cet article, nous nous concentrons sur le problème de détection des contradictions et de la me- sure de leur intensité en se basant sur l’analyse du sentiment autour des aspects spécifiques à une ressource (document). Premièrement, nous identifions certains aspects, selon les distri- butions des termes émotionnels au voisinage des noms les plus fréquents dans l’ensemble des commentaires. Deuxièmement, nous estimons la polarité de chaque segment de commentaire contenant un aspect. Ensuite, nous prenons uniquement les ressources contenant ces aspects avec des polarités opposées (positive, négative). Troisièmement, nous introduisons une mesure de l’intensité de la contradiction basée sur la dispersion conjointe de la polarité et du rating des commentaires contenant les aspects au sein de chaque ressource. Nous évaluons l’effica- cité de notre approche sur une collection de MOOC (Massive Open Online Courses) contenant 2244 cours et leurs 73873 commentaires, collectés à partir de Coursera. Nos résultats montrent l’efficacité de l’approche proposée pour capturer les contradictions de manière significative.},

keywords = {Analyse de sentiments, Contenus générés par l'utilisateur, Contradiction},

pubstate = {published},

tppubtype = {conference}

}