Apprentissage d\'es\'equilibr\'e pour la d\'etection des signaux de l'implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)
Une simple d{\'e}tection d{'}opinions positives ou n{\'e}gatives ne satisfait plus les chercheurs et les entreprises. Le monde des affaires est {\`a} la recherche d{'}un «aper{\c{c}}u des affaires». Beaucoup de m{\'e}thodes peuvent {\^e}tre utilis{\'e}es pour traiter le probl{\`e}me. Cependant, leurs performances, lorsque les classes ne sont pas {\'e}quilibr{\'e}es, peuvent {\^e}tre d{\'e}grad{\'e}es. Notre travail se concentre sur l{'}{\'e}tude des techniques visant {\`a} traiter les donn{\'e}es d{\'e}s{\'e}quilibr{\'e}es en parfumerie. Cinq m{\'e}thodes ont {\'e}t{\'e} compar{\'e}es : Smote, Adasyn, Tomek links, Smote-TL et la modification du poids des classe. L{'}algorithme d{'}apprentissage choisi est le SVM et l{'}{\'e}valuation est r{\'e}alis{\'e}e par le calcul des scores de pr{\'e}cision, de rappel et de f-mesure. Selon les r{\'e}sultats exp{\'e}rimentaux, la m{\'e}thode en ajustant le poids sur des co{\^u}t d{'}erreurs avec SVM, nous permet d{'}obtenir notre meilleure F-mesure.
PDF Abstract