@inproceedings{wang-etal-2018-apprentissage,
title = "Apprentissage d{\'e}s{\'e}quilibr{\'e} pour la d{\'e}tection des signaux de l`implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)",
author = {Wang, Yizhe and
Nouvel, Damien and
Patin, Ga{\"e}l and
Leenhardt, Marguerite},
editor = "S{\'e}billot, Pascale and
Claveau, Vincent",
booktitle = "Actes de la Conf{\'e}rence TALN. Volume 1 - Articles longs, articles courts de TALN",
month = "5",
year = "2018",
address = "Rennes, France",
publisher = "ATALA",
url = "https://aclanthology.org/2018.jeptalnrecital-court.33/",
pages = "489--498",
language = "fra",
abstract = "Une simple d{\'e}tection d`opinions positives ou n{\'e}gatives ne satisfait plus les chercheurs et les entreprises. Le monde des affaires est {\`a} la recherche d`un {\guillemotleft}aper{\c{c}}u des affaires{\guillemotright}. Beaucoup de m{\'e}thodes peuvent {\^e}tre utilis{\'e}es pour traiter le probl{\`e}me. Cependant, leurs performances, lorsque les classes ne sont pas {\'e}quilibr{\'e}es, peuvent {\^e}tre d{\'e}grad{\'e}es. Notre travail se concentre sur l'{\'e}tude des techniques visant {\`a} traiter les donn{\'e}es d{\'e}s{\'e}quilibr{\'e}es en parfumerie. Cinq m{\'e}thodes ont {\'e}t{\'e} compar{\'e}es : Smote, Adasyn, Tomek links, Smote-TL et la modification du poids des classe. L`algorithme d`apprentissage choisi est le SVM et l'{\'e}valuation est r{\'e}alis{\'e}e par le calcul des scores de pr{\'e}cision, de rappel et de f-mesure. Selon les r{\'e}sultats exp{\'e}rimentaux, la m{\'e}thode en ajustant le poids sur des co{\^u}t d`erreurs avec SVM, nous permet d`obtenir notre meilleure F-mesure."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="wang-etal-2018-apprentissage">
<titleInfo>
<title>Apprentissage déséquilibré pour la détection des signaux de l‘implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Yizhe</namePart>
<namePart type="family">Wang</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Damien</namePart>
<namePart type="family">Nouvel</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Gaël</namePart>
<namePart type="family">Patin</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Marguerite</namePart>
<namePart type="family">Leenhardt</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>Une simple détection d‘opinions positives ou négatives ne satisfait plus les chercheurs et les entreprises. Le monde des affaires est à la recherche d‘un \guillemotleftaperçu des affaires\guillemotright. Beaucoup de méthodes peuvent être utilisées pour traiter le problème. Cependant, leurs performances, lorsque les classes ne sont pas équilibrées, peuvent être dégradées. Notre travail se concentre sur l’étude des techniques visant à traiter les données déséquilibrées en parfumerie. Cinq méthodes ont été comparées : Smote, Adasyn, Tomek links, Smote-TL et la modification du poids des classe. L‘algorithme d‘apprentissage choisi est le SVM et l’évaluation est réalisée par le calcul des scores de précision, de rappel et de f-mesure. Selon les résultats expérimentaux, la méthode en ajustant le poids sur des coût d‘erreurs avec SVM, nous permet d‘obtenir notre meilleure F-mesure.</abstract>
<identifier type="citekey">wang-etal-2018-apprentissage</identifier>
<location>
<url>https://aclanthology.org/2018.jeptalnrecital-court.33/</url>
</location>
<part>
<date>2018-5</date>
<extent unit="page">
<start>489</start>
<end>498</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Apprentissage déséquilibré pour la détection des signaux de l‘implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)
%A Wang, Yizhe
%A Nouvel, Damien
%A Patin, Gaël
%A Leenhardt, Marguerite
%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 wang-etal-2018-apprentissage
%X Une simple détection d‘opinions positives ou négatives ne satisfait plus les chercheurs et les entreprises. Le monde des affaires est à la recherche d‘un \guillemotleftaperçu des affaires\guillemotright. Beaucoup de méthodes peuvent être utilisées pour traiter le problème. Cependant, leurs performances, lorsque les classes ne sont pas équilibrées, peuvent être dégradées. Notre travail se concentre sur l’étude des techniques visant à traiter les données déséquilibrées en parfumerie. Cinq méthodes ont été comparées : Smote, Adasyn, Tomek links, Smote-TL et la modification du poids des classe. L‘algorithme d‘apprentissage choisi est le SVM et l’évaluation est réalisée par le calcul des scores de précision, de rappel et de f-mesure. Selon les résultats expérimentaux, la méthode en ajustant le poids sur des coût d‘erreurs avec SVM, nous permet d‘obtenir notre meilleure F-mesure.
%U https://aclanthology.org/2018.jeptalnrecital-court.33/
%P 489-498
Markdown (Informal)
[Apprentissage déséquilibré pour la détection des signaux de l’implication durable dans les conversations en parfumerie (Automatic detection of positive enduring involvement signals in fragrance products reviews)](https://aclanthology.org/2018.jeptalnrecital-court.33/) (Wang et al., JEP/TALN/RECITAL 2018)
ACL