Projet de fin d'étude : Analyse de sentiments a base de Support Vector Machine

Etudiant : AHAGGACH HAMID

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. NFAOUI EL HABIB

Annèe : 2019

Résumé : La croissance des données disponibles aujourd’hui génère plusieurs types d’analyses. L’une d’entre elles est l’analyse de sentiments. Elle a pour objectif de classer automatiquement les opinions de façon à pouvoir les positionner sur une échelle de sentiments, permettant ainsi de caractériser un ensemble d’opinions sans avoir recours à un humain pour les lire. Plusieurs études ont montré que des algorithmes d’apprentissage automatique, tels que ’’Les machines à vecteurs supports (SVM)’’ peuvent atteindre de bonnes performances dans ce type de classification. La technique SVM est une méthode d’apprentissage statistique qui a connu, cette dernière décennie, un grand développement en théorie et en application. Elle repose sur un fondement théorique solide basé sur le principe de maximisation de la marge, ce qui lui confie une grande capacité de généralisation. Le SVM a été utilisé avec succès dans plusieurs domaines tels que la reconnaissance des visages, analyse de sentiments des textes manuscrits, de la parole,...etc. En fait, le processus d'analyse de sentiment a connu pour le but d’identifier et d’extraire les émotions exprimé devant un produit, un service ou un phénomène. Nous intéressons à développer une solution d’analyse de sentiment utilisant Machine Learning algorithmes. En outre, L’utilisation de machine à vecteurs de support a connu largement pour transporter efficacement des supports d’extraction de textes et d’émotions. Dans ce travail, nous entamons tous d’abord à définir l’algorithme SVM et ses différents Kernel, puis nous essayons de faire une implémentation de base afin de nous permettre de paramétrer notre application d’analyse de sentiments. Finalement, une comparaison était effectuée sur un jeu de données réel (Amazon, AliExpress, Twitter). Mots clés: Analyse de sentiments, algorithmes d’apprentissage automatique, classification des textes, Support Vector Machine..