L’analyse sentimentale et l’apprentissage automatique : Méthodes hybrides et perspectives futures

Résumé

L'analyse de sentiment (SA) utilisant le langage naturel est l'un des sujets les plus passionnants de cette décennie en raison de l'utilisation généralisée des médias sociaux, qui permet d'analyser les interactions entre les individus et de déterminer les structures importantes dans ces communications. La SA est définie comme un domaine d'étude qui utilise des méthodes d'intelligence pour analyser, traiter et révéler les sentiments, émotions et ressentis des individus cachés derrière un texte ou une interaction grâce au traitement du langage naturel. La SA utilise des techniques d'apprentissage automatique (ML) pour tirer les inférences nécessaires des interactions des utilisateurs. Les algorithmes de ML tels que l'apprentissage non supervisé, supervisé, semi-supervisé, et les techniques d'apprentissage profond sont utilisés pour tirer des informations utiles des sentiments. Collecter les opinions des individus et prendre des décisions basées sur celles-ci peut être bénéfique pour de nombreuses personnes, et à travers cela, des informations commerciales utiles peuvent être tirées. Cependant, le traitement de données massives et multilingues, la détermination de la polarité de sentiment appropriée, le traitement du sarcasme et des emojis, et la sélection de la technique de ML appropriée pour construire le modèle d'analyse sont quelques-uns des défis auxquels est confrontée la SA. Ce chapitre fournit un aperçu détaillé des tendances et des défis de l'utilisation du ML dans la SA. Afin d'établir des objectifs futurs, ce chapitre examine les difficultés associées à la SA. Cet article utilise une approche méthodologique de type état de l'art. Il fournit un aperçu détaillé des tendances, des défis et des différentes méthodes d'analyse sentimentale, tout en intégrant des éléments de recherche théorique. Cette méthodologie permet de synthétiser les connaissances existantes sur le sujet et d'explorer les futures directions de recherche.

Mots clés : Apprentissage Automatique,  Traitement du Langage Naturel, Opinion, Polarité,  Analyse de sentiment.

JEL Classification : G41.

Type du papier : Recherche Théorique.