DEFT2018 : recherche d'information et analyse de sentiments dans des tweets concernant les transports en Île de France (DEFT2018 : Information Retrieval and Sentiment Analysis in Tweets about Public Transportation in Île de France Region )

Cet article presente l'edition 2018 de la campagne d'evaluation DEFT (Defi Fouille de Textes). A partir d'un corpus de tweets, quatre tâches ont ete proposees : identifier les tweets sur la thematique des transports, puis parmi ces derniers, identifier la polarite (negatif, neutre, positif, mixte), identifier les marqueurs de sentiment et la cible, et enfin, annoter completement chaque tweet en source et cible des sentiments exprimes. Douze equipes ont participe, majoritairement sur les deux premieres tâches. Sur l'identification de la thematique des transports, la micro F-mesure varie de 0,827 a 0,908. Sur l'identification de la polarite globale, la micro F-mesure varie de 0,381 a 0,823.

[1]  Ruslan Kalitvianski,et al.  Notre tweet première fois au DEFT-2018 : systèmes de détection de polarité et de transports (Systems for detecting polarity and public transport discussions in French tweets) , 2018, CORIA-TALN-RJC.

[2]  Antoine Sainson,et al.  LSE au DEFT 2018 : Classification de tweets basée sur les réseaux de neurones profonds (LSE at DEFT 2018 : Sentiment analysis model based on deep learning) , 2018, CORIA-TALN-RJC.

[3]  Amal Htait.  Adapted Sentiment Similarity Seed Words For French Tweets' Polarity Classification , 2018, CORIA-TALN-RJC.

[4]  Olivier Hamon,et al.  Syllabs@DEFT2018 : combinaison de méthodes de classification supervisées (Syllabs@DEFT2018: Combination of Supervised Classification Methods) , 2018, CORIA-TALN-RJC.

[5]  Camille Pradel,et al.  Concaténation de réseaux de neurones pour la classification de tweets, DEFT2018 (Concatenation of neural networks for tweets classification, DEFT2018 ) , 2018, CORIA-TALN-RJC.

[6]  Patrick Paroubek,et al.  Toward a unifying model for Opinion, Sentiment and Emotion information extraction , 2014, LREC.

[7]  Pierre Zweigenbaum,et al.  Analyse des émotions, sentiments et opinions exprimés dans les tweets : présentation et résultats de l'édition 2015 du défi fouille de texte (DEFT) , 2015 .

[8]  Davide Buscaldi,et al.  Modèles en Caractères pour la Détection de Polarité dans les Tweets (Character-level Models for Polarity Detection in Tweets ) , 2018, JEPTALNRECITAL.

[9]  Farhood Farahnak,et al.  CLaC @ DEFT 2018: Sentiment analysis of tweets on transport from Île-de-France , 2018, CORIA-TALN-RJC.

[10]  Maximilien Servajean,et al.  LIRMM@DEFT-2018 - Modèle de classification de la vectorisation des documents (LIRMM DEFT-2018 - Document Vectorization Classification model ) , 2018, CORIA-TALN-RJC.

[11]  Patrick Gallinari,et al.  DEFT 2018: Attention sélective pour classification de microblogs (DEFT 2018 : Selective Attention for Microblogging Classification ) , 2018, CORIA-TALN-RJC.

[12]  Vincent Claveau,et al.  Participation de l’IRISA à DeFT 2018 : classification et annotation d’opinion dans des tweets (IRISA at DeFT 2018: classifying and tagging opinion in tweets ) , 2018, JEPTALNRECITAL.

[13]  Philippe Suignard,et al.  Participation d'EDF R&D à DEFT 2018 (Here the title in English) , 2018, CORIA-TALN-RJC.