Utilisation du deep learning dans le cadre du sentiment analysis : un nouvel outil marketing ?

Abstract

Depuis quelques années, on voit évoluer le monde de l’informatique vers celui des données. Cette évolution amène son lot d’innovations techniques, dont celles de l’apprentissage automatique. Récemment, on a également pu constater les progrès spectaculaires du deep learning, notamment au travers de l’intelligence artificielle AlphaGo développée par Google. En effet, celle-ci a été capable de battre les meilleurs joueurs mondiaux du jeu de GO, alors que cette tâche est réputée très difficile à programmer en raison du nombre impressionnant de combinaisons de jeu possible. Vu ces progrès spectaculaires, il est intéressant de déterminer si cette technique de deep learning pourrait être utilisée dans le monde de l’entreprise. La piste qui est abordée dans ce travail est l’utilisation du deep learning comme outil marketing, pour réaliser des tâches d’opinion mining. En effet, étant donné la présence abondante de données sur internet, que ce soit sur les réseaux sociaux ou sur des sites plus spécialisés comme Amazon, l’analyse de tous ces messages peut fournir des informations intéressantes sur les avis et habitudes de consommation d’une certaine partie de la population. Dans un premier temps, ce travail a mis en évidence les défauts des méthodes actuelles pour réaliser de l’opinion mining, c’est-à-dire déterminer la polarité positive ou négative d’un message. Nous avons ensuite proposé un modèle de deep learning, permettant de passer outre ces défauts, qui sont dus principalement au prétraitement important des messages pouvant réduire l’information contenue dans ces messages, ainsi qu’au temps de travail nécessaire pour obtenir un dictionnaire produisant un résultat correct. Ce modèle a ensuite été évalué au travers d’une étude de cas, portant sur l’image de marque de compagnies aériennes américaines sur le site de microblogging Twitter. Ces résultats ont été analysés, et il en ressort un taux de réponses correctes de 87 %, ce résultat variant de presque 30 % suivant que l’échantillon soit neutre, positif ou négatif. Les deux principaux éléments à retenir de cette étude sont les suivants. D’une part, cette façon d’aborder l’opinion mining résout bien les défauts évoqués ci-dessus. D’autre part, les résultats ne sont pas aussi bons qu’attendu, ce qui est certainement dû à un nombre d’échantillons d’apprentissage trop faible, notre ensemble d’apprentissage ne se composant que d’un peu plus de 10 000 échantillons.