ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 28/1 - 2014  - pp.131-157  - doi:10.3166/ria.28.131-157
TITRE
Apprentissage de concepts émotionnels à partir de descripteurs bas niveau

TITLE
Learning emotional concepts from low level features

RÉSUMÉ
Cet article considère la tâche de classification de textes selon leur contenu émotionnel. Nous présentons d’abord un état de l’art des représentations textuelles pour extraire le contenu émotionnel des documents. Nous décrivons ensuite la méthode proposée : elle consiste à combiner, par fusion anticipée, des descripteurs définis comme des n-grammes de plusieurs ordres. De plus, elle extrait automatiquement des dictionnaires spécialisés pour chacune des émotions considérées. Le processus de décision proposé, de type « un contre tous » à deux niveaux, met en œuvre des classifieurs linéaires à vaste marge. Le système résultant a fait l’objet d’une participation à la compétition I2B2 track2 et s’est bien classé parmi ceux exploitant uniquement des descripteurs bas niveau. Nous analysons les résultats obtenus sur le corpus de données réelles fourni, qui représente 4 241 phrases étiquetées par 12 émotions et 3 classes non émotionnelles.


ABSTRACT
This paper addresses the task of emotion recognition in unstructured textual documents. It first reviews existing representations of documents able to cope with the subjectivity of their emotional content. We then describe the proposed method: following an early fusion strategy, features defined as n-grams of several orders are combined. Moreover, dictionaries specific to each emotion label are automatically extracted. The proposed decision process is implemented as a two level "one vs. all" strategy relying on linear SVM. The resulting system has been applied to the I2B2 track2 challenge and obtained a good ranking among systems relying on a low level representation of the data. We detail the results obtained over the corpus made of real data describing 4 241 sentences labeled with 12 emotion labels and 3 non emotional labels.


AUTEUR(S)
Fabon DZOGANG, Marie-Jeanne LESOT, Maria RIFQI

MOTS-CLÉS
reconnaissance d’émotions, fouille de textes, fusion de données, n-grammes

KEYWORDS
emotion recognition, text mining, data fusion, n-grams

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (262 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier