<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="kooli-pigneul-2018-analyse">
    <titleInfo>
        <title>Analyse de sentiments à base d‘aspects par combinaison de réseaux profonds : application à des avis en français (A combination of deep learning methods for aspect-based sentiment analysis : application to French reviews)</title>
    </titleInfo>
    <name type="personal">
        <namePart type="given">Nihel</namePart>
        <namePart type="family">Kooli</namePart>
        <role>
            <roleTerm authority="marcrelator" type="text">author</roleTerm>
        </role>
    </name>
    <name type="personal">
        <namePart type="given">Erwan</namePart>
        <namePart type="family">Pigneul</namePart>
        <role>
            <roleTerm authority="marcrelator" type="text">author</roleTerm>
        </role>
    </name>
    <originInfo>
        <dateIssued>2018-05</dateIssued>
    </originInfo>
    <typeOfResource>text</typeOfResource>
    <language>
        <languageTerm type="text">fra</languageTerm>
    </language>
    <relatedItem type="host">
        <titleInfo>
            <title>Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN</title>
        </titleInfo>
        <name type="personal">
            <namePart type="given">Pascale</namePart>
            <namePart type="family">Sébillot</namePart>
            <role>
                <roleTerm authority="marcrelator" type="text">editor</roleTerm>
            </role>
        </name>
        <name type="personal">
            <namePart type="given">Vincent</namePart>
            <namePart type="family">Claveau</namePart>
            <role>
                <roleTerm authority="marcrelator" type="text">editor</roleTerm>
            </role>
        </name>
        <originInfo>
            <publisher>ATALA</publisher>
            <place>
                <placeTerm type="text">Rennes, France</placeTerm>
            </place>
        </originInfo>
        <genre authority="marcgt">conference publication</genre>
    </relatedItem>
    <abstract>Cet article propose une approche d‘analyse de sentiments à base d‘aspects dans un texte d‘opinion. Cette approche se base sur deux étapes principales : l‘extraction d‘aspects et la classification du sentiment relatif à chaque aspect. Pour l‘extraction d‘aspects, nous proposons une nouvelle approche qui combine un CNN pour l‘apprentissage de représentation de caractères, un b-LSTM pour joindre l‘apprentissage de représentation de caractères et de mots et un CRF pour l’étiquetage des séquences de mots en entités. Pour la classification de sentiments, nous utilisons un réseau à mémoire d‘attention pour associer un sentiment (positif, négatif ou neutre) à une expression d‘aspect donnée. Les expérimentations sur des corpus d‘avis (publics et industriels) en langue française ont montré des performances qui dépassent les méthodes existantes.</abstract>
    <identifier type="citekey">kooli-pigneul-2018-analyse</identifier>
    <location>
        <url>https://aclanthology.org/2018.jeptalnrecital-court.12/</url>
    </location>
    <part>
        <date>2018-5</date>
        <extent unit="page">
            <start>303</start>
            <end>310</end>
        </extent>
    </part>
</mods>
</modsCollection>

%0 Conference Proceedings
%T Analyse de sentiments à base d‘aspects par combinaison de réseaux profonds : application à des avis en français (A combination of deep learning methods for aspect-based sentiment analysis : application to French reviews)
%A Kooli, Nihel
%A Pigneul, Erwan
%Y Sébillot, Pascale
%Y Claveau, Vincent
%S Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN
%D 2018
%8 May
%I ATALA
%C Rennes, France
%G fra
%F kooli-pigneul-2018-analyse
%X Cet article propose une approche d‘analyse de sentiments à base d‘aspects dans un texte d‘opinion. Cette approche se base sur deux étapes principales : l‘extraction d‘aspects et la classification du sentiment relatif à chaque aspect. Pour l‘extraction d‘aspects, nous proposons une nouvelle approche qui combine un CNN pour l‘apprentissage de représentation de caractères, un b-LSTM pour joindre l‘apprentissage de représentation de caractères et de mots et un CRF pour l’étiquetage des séquences de mots en entités. Pour la classification de sentiments, nous utilisons un réseau à mémoire d‘attention pour associer un sentiment (positif, négatif ou neutre) à une expression d‘aspect donnée. Les expérimentations sur des corpus d‘avis (publics et industriels) en langue française ont montré des performances qui dépassent les méthodes existantes.
%U https://aclanthology.org/2018.jeptalnrecital-court.12/
%P 303-310

Markdown (Informal)

[Analyse de sentiments à base d’aspects par combinaison de réseaux profonds : application à des avis en français (A combination of deep learning methods for aspect-based sentiment analysis : application to French reviews)](https://aclanthology.org/2018.jeptalnrecital-court.12/) (Kooli & Pigneul, JEP/TALN/RECITAL 2018)

• Analyse de sentiments à base d’aspects par combinaison de réseaux profonds : application à des avis en français (A combination of deep learning methods for aspect-based sentiment analysis : application to French reviews) (Kooli & Pigneul, JEP/TALN/RECITAL 2018)

ACL

• Nihel Kooli and Erwan Pigneul. 2018. Analyse de sentiments à base d’aspects par combinaison de réseaux profonds : application à des avis en français (A combination of deep learning methods for aspect-based sentiment analysis : application to French reviews). In Actes de la Conférence TALN. Volume 1 - Articles longs, articles courts de TALN, pages 303–310, Rennes, France. ATALA.