Analyse et reconnaissance des émotions lors de conversations de centres d'appels. (Automatic emotions recognition during call center conversations)

La reconnaissance automatique des emotions dans la parole est un sujet de recherche relativement recent dans le domaine du traitement de la parole, puisqu’il est aborde depuis une dizaine d’annees environs. Ce sujet fait de nos jours l’objet d’une grande attention, non seulement dans le monde academique mais aussi dans l’industrie, grâce a l’augmentation des performances et de la fiabilite des systemes. Les premiers travaux etaient fondes sur des donnes jouees par des acteurs, et donc non spontanees. Meme aujourd’hui, la plupart des etudes exploitent des sequences pre-segmentees d’un locuteur unique et non une communication spontanee entre plusieurs locuteurs. Cette methodologie rend les travaux effectues difficilement generalisables pour des informations collectees de maniere naturelle.Les travaux entrepris dans cette these se basent sur des conversations de centre d’appels, enregistres en grande quantite et mettant en jeu au minimum 2 locuteurs humains (un client et un agent commercial) lors de chaque dialogue. Notre but est la detection, via l’expression emotionnelle, de la satisfaction client. Dans une premiere partie nous presentons les scores pouvant etre obtenus sur nos donnees a partir de modeles se basant uniquement sur des indices acoustiques ou lexicaux. Nous montrons que pour obtenir des resultats satisfaisants une approche ne prenant en compte qu’un seul de ces types d’indices ne suffit pas. Nous proposons pour palier ce probleme une etude sur la fusion d’indices de types acoustiques, lexicaux et syntaxico-semantiques. Nous montrons que l’emploi de cette combinaison d’indices nous permet d’obtenir des gains par rapport aux modeles acoustiques meme dans les cas ou nous nous basons sur une approche sans pre-traitements manuels (segmentation automatique des conversations, utilisation de transcriptions fournies par un systeme de reconnaissance de la parole). Dans une seconde partie nous remarquons que meme si les modeles hybrides acoustiques/linguistiques nous permettent d’obtenir des gains interessants la quantite de donnees utilisees dans nos modeles de detection est un probleme lorsque nous testons nos methodes sur des donnees nouvelles et tres variees (49h issus de la base de donnees de conversations). Pour remedier a ce probleme nous proposons une methode d’enrichissement de notre corpus d’apprentissage. Nous selectionnons ainsi, de maniere automatique, de nouvelles donnees qui seront integrees dans notre corpus d’apprentissage. Ces ajouts nous permettent de doubler la taille de notre ensemble d’apprentissage et d’obtenir des gains par rapport aux modeles de depart. Enfin, dans une derniere partie nous choisissons d’evaluees nos methodes non plus sur des portions de dialogues comme cela est le cas dans la plupart des etudes, mais sur des conversations completes. Nous utilisons pour cela les modeles issus des etudes precedentes (modeles issus de la fusion d’indices, des methodes d’enrichissement automatique) et ajoutons 2 groupes d’indices supplementaires : i) Des indices « structurels » prenant en compte des informations comme la duree de la conversation, le temps de parole de chaque type de locuteurs. ii) des indices « dialogiques » comprenant des informations comme le theme de la conversation ainsi qu’un nouveau concept que nous nommons « implication affective ». Celui-ci a pour but de modeliser l’impact de la production emotionnelle du locuteur courant sur le ou les autres participants de la conversation. Nous montrons que lorsque nous combinons l’ensemble de ces informations nous arrivons a obtenir des resultats proches de ceux d’un humain lorsqu’il s’agit de determiner le caractere positif ou negatif d’une conversation