Analyse sémantique d'opinion

HAL Id: dumas-01552679

https://dumas.ccsd.cnrs.fr/dumas-01552679

Submitted on 3 Jul 2017

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Soufiene Katet

To cite this version:

Soufiene Katet. Analyse sémantique d’opinion. Sciences de l’information et de la communication. 2011. �dumas-01552679�

Envuede l'obtention du

MASTER

Produits de l'Information

_{Spécialisée et Médiation Electronique}

Par

Soufiene KATET

ANALYSE

_{SEMANTIQUE D'OPINION}

Soutenu le 15Septembre 2011, devant le jurycomposé de: Rapporteur Examinateur Encadrant M. M. M.

REMERCIEMENTS

Je tiens à remercier, tout d'abord, Monsieur Ismail TIMIMI, pour son encadrement ainsi que sonsoutientoutaulong decetravail.

. Je remercie tout particulièrement Monsieur Ghalem OUADJED de m'avoir accueilli

au sein _{d'EOWEO, pour sa disponibilité, son encadrement, ses} conseils _{et son} soutien

inestimable.

Je remercie tout_{particulièrement Monsieur Isam SAHROUR de m'avoir accueilli au}

sein_{d'Euratechnologie Lille.}

J'exprimemesremerciementsetmagratitude àtousceux qui ontapportés l'assistance

nécessaire pourfinalisermontravail.

Je remercie vivement les _{enseignants qui ont bien voulu accepter de faire partie de}

monjury.

Je _{présente mes remerciements les plus sincères à tout le corps enseignant du Master} PRISME ettous lesmembres d'EOWEO et_{Euratechnologies Lille.}

Je remercie chaleureusement mes collègues _{Vivien MANN,} Christophe WILLAERT etMadeleine HUBERT.

Table des

Matières

REMERCIEMENTS 2

Introduction 2

CHAPITRE I: LES TECHNOLOGIES DE BASE 4

1.1 Moteurde recherche web 6

1.1.1 Web_{Crawlers(robots web) 8} 1.1.2 _{Lemmatisation,la racinisation(stemming)et motvide 10}

1.1.3 Index inversé 11

1.1.4 _{Algorithmes de classement 11}

1.2 Extraction d'information 11

1.2.1 Transformation de la structure de données dans un processus de génération

document Web 12

1.2.2 Web_{Scraping 13}

1.2.3 Traitement_{Automatique des Langues 14}

1.3 Leweb_{mining 14}

1.3.1 WebContent_{Mining (WCM) 15}

1.3.2 Web Structure_{Mining 15}

1.3.3 Web_{UsageMining(WUM) 16} CHAPITRE II : OPINION MINING 17

2.1 Ladéfinition des _{composantesd'opinion dans}uncontexteOpinion Mining 19

2.2 Architecture d'un_{systèmed'Opinion Mining 21} 2.2.1 _{Part-of-Speech Tagging 22}

2.3 Identification des_{caractéristiques 22} 2.3.1 Identificationde_{caractéristiquesfréquentes 23} 2.3.2 Identification de_{caractéristiquesnonfréquentes 24} 2.3.3 _{Analyse des sentimentsdes opinions 24} 2.3.3.1 Identification desmots de sentiment 25

2.3.3.2 Déterminer le sentiment_d'opinionsauniveau desphrases 26

CHAPITRE III :LEWEB _SEMANTIQUE 31 3.1 les _{Ontologies 34} 3.2 RDF 37 3.3 RDF Schéma 39 3.4 OWL 40 3.5 _{SPARQL 41}

CHAPITRE IV :LES OUTILSDISPONIBLES 43

4.1.1 Définitiondes classes etdes_{propriétés 45}

4.1.2 Gestion des instancesde classeetde leurs_{propriétés 46} 4.1.3 Possibilité d'effectuerdes_{requêtes 46}

4.2 Framework Jena 46

4.3 OWLvalidator 46

4.4 KIM-SemanticAnnotation,Indexing, and Retrieval 46

4.4.1 Annotation_{sémantique 47}

4.4.2 KIMFront-ends 48

4.4.2.1 _{Exploration desEntités 48} 4.4.2.2 _{Interrogationsémantique de KIM 49}

4.4.3 KIMO _{Ontology 50}

4.4.4 KIMWorldKnowledge Base 51

CHAPITRE V : SYSTEMED'ANALYSE SEMANTISUE D'OPINION 53

5.1 Travauxexistants 55

5.2 Architecturedu _{système 55}

5.3 _{Représentions des commentaires etOpinions 56}

5.4 Discussion 58

5.4.1 _{Acquisition des données 58}

5.4.2 _{Analyseur 58}

5.5 Conclusion 58

Liste des

_figures

Figure l:Un systèmede moteurde recherche lors d'une opération de recherche (1) 8

Figure2:Unsystèmeweb crawler endétail 9

Figure 3:Architecture d'un système d'extraction d'opinion (5) 21 Figure4:L'extraction decaractéristiquespeufréquentes 24

Figure5:StructureBipolaire des adjectifs (5) 26

Figure6:Pseudopode de l'orientation d'opinion s'une phrase (5) 29

Figure 7:pseudo code de l'orientation d'opinions des caractéristiquesduproduit(6)... 30

Figure 8:Architecture du web sémantique 37

Figure 9: TripletRDF 38

Figure 10:ExempleRDF/XML 39

Figure 11: Exemple d'une requête SPARQL 41

Figure 12:Résultat de larequête SPARQLqui interroge le graphe RDF 41

Figure 13:L'écranprincipal de Protégé 45

Figure 14:Annotation dans KIM 48

Figure 15: le plug-in KIM,etl'explorateur KIM (36) 49

Figure 16: L'interfaceutilisateur d'interrogagtion de KIM 50

Introduction

"Qu'est-ce que les autres pensent d'un tel produit ?" ; "De quelle réputation bénéficie

une _{marque" ; "Quelles sont les rumeurs véhiculées sur une société?"... un ensemble de}

questions qui demeurent toujours un élément important de l'information pour la plupart des

organismes au cours duprocessus de prise de décision. Bienavant lagénéralisation duWorld

Wide Web et la_{prolifération de l'information numérique, beaucoup d'organismes s'appuient}

sur l'avis d'autrui _{pour une analyse de situation et une prise de décision (avis des} consommateurs, sondages des électeurs...

Mais la socialisation des nouvelles _{Technologies (web, mobiles, TV connectic...) et}

l'émergence de nouveaux usages ont actuellement permis de réceptionner et d'analyser de

manière _{plus élargie les opinions et les avis de personnes, souvent externes, voire inconnues} des listes de contacts d'un _{organisme. Aujourd'hui, le web comprend un grand nombre de} corpus d'opinion et de sentiments... leurs auteurs expriment aisément leurs avis et

recommandations....

Dans la _{littérature, l'analyse des sentiments estconnue sur le nom d'Opinion Mining}

et elle est récemment devenue un domaine en _{plein développement en} raison de _ses nombreuses _{applications. Mais à part le support du moteur prédicatifnous pouvons citerdes} nombreuses utilisations comme : larecommandation _{(par exemple des voitures), l'explication}

des _{sondages des suffrages} auxélections, laconsultation des avis surlesproduits, ladétection de spam, l'analyse et la surveillance des opinions pour améliorer les produits (matériels ou

intellectuels) ou l'étude demarché.

Il est _{important de mentionnerqu'en raison de toutes les applications possibles, il y a} un nombre considérable _{d'organismes administratifs, économiques, politiques...} qui

exploitent l'analyse de l'opinionetl'analyse des sentiments dans le cadre de leurs missions.

Si du côté sociétal l'intérêt croissant pour les analyses d'opinion et les analyses des

sentiments se justifie des _ces applications potentielles précitées, du côté scientifique, _nous

constatonsun regaind'intérêt depuis 2002 _pourle sujet.

Dans notre travail de recherche _{envisagé, nous souhaitons concevoir et implémenter}

une nouvelle méthode _pour l'analyse d'opinion dans les _{corpus en} ligne. Il s'agit d'une

approche s'appuyantsurdes ressourcessémantiques externesd'enrichissement.

Chapitre I : Nous y introduisons les technologies de base etles outils utilisés dans OpinionMining.

Chapitre II : Dans ce chapitre, nous introduisons les principaux travaux existants

pour nousdonner des approches exemplaires etdes idées.

Chapitre III: Nous présentonsle web sémantiqueest sesapports

Chapitre IV: Nous listons des outils de réalisation des applications de web

sémantique.

Chapitre V: Le mémoire se conclut par une synthèse des travaux réalisés,

CHAPITRE I

:

Ce _{chapitre présente les technologies de base etles outils utilisés parl'opinion}

Mining, un domaine spécialisé de l'exploitation du Web. Le Web Mining resteà la croisée

de recherche de _{l'Information, de l'extraction de l'information etdu Data Mining.La} recherche d'information _{(Information Retrieval) et l'extraction d'information(Information}

Extraction) jouent un rôle importantpour localiser et extraire des informations

précieusessurdes données non structurées, avant qu'elles ne soientaptes à êtretraitées par des _{applications de data mining.}

L'exploration de ces techniquesest extrêmement nécessairepour faire face à la

quantité de donnéesd'information disponibles.Aussi, avec le fait que le web qui est devenu

de _{plus enplus orienté vers l'importance de la sémantiqueet l'intégration de l'information, ces} domaines d'étudesont devenus très _{importants pour répondre auxnouvelles tendances du} Web.

Ce _{chapitreestdivisécommesuit:}

La _{première partie donne un aperçu desmoteurs de recherche etfournit des}

explications sur ses composantes de base. La deuxième partie présente des outils et des techniques d'extraction de l'information. Enfin, la troisième partie introduit le Web Mining.

1.1 Moteur de recherche web

Information Retrieval _{(IR) est un domaine d'étude qui concerne la récupération de} documents d'une collection d'autres documents _{(pertinents et non pertinents), généralement} basée sur des recherches par _{motclé. Avec l'expansion d'Internet, la recherche d'information} est d'une _{grande importance et les moteurs de recherche sont devenus} une façon dominante d'accès à l'information surle Web.

Aujourd'hui, en raison de leur importance, les moteurs de recherche sont devenus

l'outil le _{plus représentatif de la recherche d'information. Cette partie traitera les}

technologies, les objectifs et les enjeux des développements impliqués dans leurs conceptions.

Une des _{raisons pourlesquelles certainsmoteurs de rechercheont autantde succès sur} Internet est leur _{engagement à la qualité des services, en particulier à l'égard de la vitesse de} traitement des _{requêtes des utilisateurs. L'Internet d'aujourd'hui, avec des milliards de pages}

disponibles et l'absence de mécanismes qui fournissent une réponse dans un court laps de temps incite à quitter les systèmes incompatibles avec les nouvellesnormes (plus de données doivent être traitées avec des contraintes encore_{plusstrictes àl'égard detemps).}

Les moteurs de recherche _{(par exemple, Google, Yahoo, Bing, etc) sont capables} d'atteindre un haut niveau de service _{principalement grâce à leur technique} d'indexation

associé à des infrastructures de haut _{gamme composé de plusieurs centaines de clusters} hautement _{optimisé pour des emplois exigeants une grande capacité de traitement.}

Cesmoteurs sonttrèsévolutifsetsont_{capables de fournir des servicesde haute qualité, même}

avec des millions d'utilisateurs accédant simultanément à leurs _{systèmes. Par ailleurs, les}

algorithmes de classement (par exemple, le PageRank de Google), sont capables de trier les

documents les _{plus importants liés à une recherche. Sans l'aide d'algorithmes de classement,}

un utilisateur n'aurait aucun indice sur l'endroit où commencer à chercher une information

désirée _{parmi plusieurs autres documents. Un algorithme de classement offre un niveau}

hiérarchique deplusieurs documents importants, offrant ainsi unpremier indice à l'utilisateur

sur l'endroit où l'information désirée est _{plus susceptible de l'être.}

Lors d'une _{opération de recherche, les interactions suivantes sont effectuées, comme le}

montrela _{figure 1 : (1) Une requête est soumise par l'utilisateur. (2) La requêteutilisateur est}

vérifié pour s'assurer qu'elle est prête à être utilisée par le système de récupération. Ceci

pourrait êtreréalisé grâceàdes tâches simples telles que la suppressiondes «mots vides», en réduisant les mots aux racines _{(radical) et en vérifiant l'orthographe. (3) La requête est}

vérifiée par rapport aux indices disponibles afin de récupérer les documents qui contiennent

certainstermes de la _{requête. Ensuite, unalgorithme de classement est appliqué à l'ensemble} des documents trouvés _{qui sont présenté à l'utilisateur (les documents les plus pertinents}

apparaissent au début de cette liste). (4) L'utilisateur reçoit la réponse et accède aux documents_{correspondantsàpartir de laliste de résultats.}

Les _{étapes ci-dessus montrent que le moteur de recherche dans sa phase opérationnelle de}

recherche desserve directement une _{requête utilisateur. Cependant, les principales} tâches

doivent être effectuées à _{l'avance, le crawling les pages Web, l'indexation et le calcul de} classement. Les _{paragraphes suivants présentent chaque sous-système interne d'un moteur de} rechercheetleurs tâches _respectives.

Figure l:Un système demoteurderecherche lors d'une opération derecherche (1)

1.1.1 Web _{Crawlers(robots web)}

Les moteurs de recherche_{s'appuient sur des programmes informatiques appelés web}

crawlers _{(aussi appelé des robots Web),}pour parcourir les pages Web en suivantles

hyperliens etstocker les documents web qui sontindexés plus tardpour optimiser le processus derecherche. Unweb crawlerestprobablement lacomposante la plus importanteet

la_{plus complexe d'unmoteurde recherche.}

Les web crawlersontdeux _{questions importantes à aborder: La première consiste} àutiliser unebonne _{stratégie de crawler(ce qui inclut l'algorithme pourvisiter de} nouvelles pages Web)et les mécanismes intelligents pour optimiserle processus

de_{recrawling.Deuxièmement,}parce que cette tâche computationnelle est intensive, le

systèmedoit être capable de faire face à de nombreux scénarios différentsdans des

circonstancesdifférentes _{(panne matérielle, problème de serveur, erreurslors de l'analysede}

documents).

Un _{système Web Crawler (1), est composé par les éléments suivants, tel que}

rabotMxtfîtes

dowiiteadedMes

Figure 2:Un système web crawlerendétail

Un crawler _{Manager (1) estchargé de transmettreles demandesd'adresse URL au} downloders.

Généralement_{l'opérationde crawling commence avec une liste d'hyperliens, le} crawlerseconnecte surles pages _{Websuivantunplanderoute, copie leurcontenu,etanalyse}

les _{hyperliens (les URLs) contenus dans les pages copiés et les ajoute à laliste d'URLs à} visiter .En outre, cette composantea pour tâche de faire respecterles règles imposées par robots.txt _{(Robots.txt est un fichier utilisé pour appliquer les règles que les robots Web} devraient suivre en_{explorant les liens d'un site web. Normalement, unweb} crawler vérifie _ce

contenu afin de s'assurer _{qu'il est autorisé à visiter} une certaine section d'une page

web.), fourniespar lesadministrateurs deserveurs Web.

Les downloaders sont _{responsables de l'ouverture des connexions avec les différents} serveursweb.lesmoteurs de recherche _{développés reçoivent des centaines de pages par} seconde àtraverslesdownloaders.

Les Méthodes de _Crawling

Les Web Crawlers_{peuvent crawler les pages web de différents façons. Ceci est}

principalementliéàl'application finaleque le système servira. Deuxexemplesde crawling:

Un Crawler _{peut sélectionnerun petit ensemble depages Web,et suivre leurs liens en} utilisant_{l'algorithme de parcours en largeur.les Moteurs de recherche emploientune série} d'autres _{techniques pour améliorer l'algorithme de crawling. Avec cette stratégietous les} liens sontsuivisetdonc il _{n'yaaucunerestriction entreles élémentscouvertspar le site.}

Crawlers _{topiques (A focused crawleror topical crawler)}

Crawlers_{topique, aussi connu comme les robots ciblés, tententde crawler des pages}

spécifiques .ils pourraient être les pages d'un sujet particulierou dans une langue spécifique, image, mp3 ou des documents de recherches en sciences informatiques. L'objectif de

cesrobotsest de trouverle _{plus grand nombrepossible depages sans utiliser beaucoup de} bande_passante.

1.1.2 _{Lemmatisation, la racinisation (stemming)et mot vide}

La lemmatisation_{simple consiste àtrouverla racine des verbes fléchisetàramenerles}

mots _{pluriels et/ou féminins au masculin singulier avant de leur associer un nombre}

d'occurrences. Ce processus permet d'amoindrir la malédiction dimensionnelle qui pose de

très sérieux _{problèmes de représentation dans le cas des grandes dimensions. La} lemmatisation_{permet donc de diminuer le nombre determes qui dénieront les dimensions de}

l'espace de représentation de termes ou espace vectoriel. D'autres mécanismes de réduction

du _{lexique sont aussi déclenchés. Les mots composés sont repérés automatiquement à l'aide} d'un _{dictionnaire, puis transformés en un terme unique lemmatisé en utilisant des tableaux} associatifs.

Pour _{optimiser le processus de recherche et maximiser la capacité de stockage, les}

dernières_{pages web analyséessontprétraitéesavantd'être indexé :}

L'objetdeces techniques etde ramener unmotàson lemmeou saracine. Parexemple

lemot_{chantage deviendraitpourle stemming (racinisation) lemotchant. Lalemmatisationva}

moins loin et se contente de ramener les _{noms, les adjectifs,... au masculin singulier et les}

verbes à l'indicatif.

La _{suppression des chaînes de caractères dont le poids sémantique est trop faible}

(également désignés «mots vides » ou «bruit ») : le, la, les, du, avec, vous, etc., qui jouent

rarement un rôle intéressant dans les recherches et _{risquent de ralentir notablement le}

1.1.3 Index inversé

Un _{système demoteur de recherche pourrait rechercher des milliards de} documents.Rechercher tous les termes _{spécifiques (d'une requêteutilisateur donnée),} prendrait beaucoup detemps.Afin d'aiderles moteurs de recherchea effectué la recherchedans undélai acceptable, le système de récupérationutilise les données structurées _{appeléesindex. Lemeilleur schémad'indexation et le plus largement utilisépour}

les moteurs de recherche sur le Webest l'index inversé. Un indexinversé estune structure de

données _{composée d'un terme et tous les documents qui contiennentce terme. L'index} inverséfonctionneexactementcommeun« index de livre».

1.1.4 _{Algorithmes de classement}

Avec la _{quantité de documents en ligne, il est presque impossible pour un utilisateur} de vérifier _{chaque document pour témoigner sa pertinence. Aussi, les algorithmes de} classement aident à vaincre le web _spamming, une pratique non seulement nuisible à

l'expériencedes utilisateurs, mais aussi derecherche d'informationen commerce.

Un des _{algorithmes les plus importants de classement, dans la recherche web, est}

PageRank de Google, qui utilise généralement le conceptdeprestige pourtrierles documents

pertinents. L'idéeestque les pagesweb qui sontréférencées par beaucoup d'autrespagesweb

(parhyperliens)sont susceptibles d'être despages web importantes.

Par_{conséquent, lapage qui a les plus des liens entrants, elle est la plus importante.} Cependant, le scorede prestige n'estpas seulementlimitéparlenombre de liens qui pointent

vers une_{pageweb. L'algorithme prend égalementencompte le}prestige d'une _autrepage. Par _{conséquent, l'importance de la page i (le score PageRank) est déterminée en}

additionnant les scores de _{PageRank de toutes les pages qui pointent sur i} divisé _par le nombre de leurs lienssortants.

1.2 Extraction d'information

Extraction d'Information_{(IE) est} unesous-discipline de l'intelligence artificielle qui

vise àextraire des informations_{précieuses des données non structurées. Un}

systèmed'extraction d'informationest généralement axé surl'identification des entités ou

des _{objets (personnes, lieux, entreprises, etc) et des règles d'extraction, maispas} nécessairementde domaine _{spécifique. Les données non structuréespeuvent avoir}

plusieursformes différentes, comme des vidéos, images, audio et texte.Les premiers

aujourd'hui c'est letype des données le plus exploré par lacommunautédes chercheurs etdes

commerciaux. Le but de l'IE estd'identifier les _{parties utiles de données brutes (données non}

structurées) et les extraire pour créer plus d'informations précieuses grâce à laclassification

sémantique. Le résultatpeut être adapté à d'autres tâches de traitement de l'information, telles qu'IR et de Data Mining. Il y a une différence entre les objectifs d'IR et IE, mais dans le

monde _{réel, ils doivent être considérés} comme des activités complémentaires pour améliorer

leur_{précision etexactitude.}

1.2.1 Transformation de la structure de données dans un _{processus de}

génération document Web

La _{génération de documents web peut impliquer différents types de structures de}

données au long _{du processus. Dans les documents que l'on appelle web statique, un}

document HTML tiendra les mêmes informations _{(contenu), quel que soit le client qui} demande la_{page, ou dans quel contexte cette page est appelée. Toutes les informations sont} enfermés entre les balises HTML, dont la fonction principale est de fournir un balisage

structurale_{sémantique dutexte (paragraphes, listes, titres,etc.)}

Avec_{des pagesweb dynamiques, lespages sontgénérés par un serveurde script, etils}

changent habituellementcomme une réponsepourdifférentsclients selon différents scénarios. Ce sont des documents _{générés à la demande, un exemple seraiten e-commerce qui montre} des _{produits aux clients en fonction des recherches par mot clé. Différents mots-clés}

retournentdes listes différentes des_produits.

Un document webest _{composé normalement parplusieurs parties, où chacune d'entre}

elles est _{étiquetées avec des annotations HTML (<div>, <title> <body>). En raison de cette}

propriété de l'étiquetage, les différentes parties du document sont en conformité avec les

informations _{qu'elles détiennent. Un document web estuntype d'un document semi-structuré}

(comme il conserve encore une sorte de structure, en _comparaison avec un document texte).

Une fois les données structurées deviennent une _{partie d'un document semi-structuré, les}

propriétés structurales sontperdues et donc pour récupérer les informations souhaitées, des

techniques spéciales doiventêtreutilisées.

Un document web avec un texte entouré _{par une balise <div> pourrait être traité de} deux_{points de vue différents concernant la granularitéde l'information désirée. Le document} lui-même est _{semi-structuré, mais le} texte à l'intérieur de la balise div est totalement non

Les balises fournissent un _{moyen très efficace pour déterminer les emplacements}

possibles d'une information cible à l'intérieur du document entier. Il devrait êtreclairquesion

est _{disposé à reconnaître des entités à l'intérieur de ce texte, des techniques d'extraction}

spécialisés devraient être utilisételleque l'explorationpartraitementdu langagenaturel (TAL

-NLP).

1.2.2 Web _Scraping

Web _{Scrapping est une technique basé sur des scripts utilisés pour extraire des} informations à_{partir des pages Web.Les pagesWeb sont des documents écrits enlangagede}

balisage hypertexte (HTML) et plus récemment XHTML qui est basé sur XML. Les documents Web sont_{représentéepar unearborescence structurée appelé le Document Object} Model, ou tout simplement l'arbre DOM. L'objectifde HTML est de spécifier le format du

texte_{affiché parlesnavigateursWeb.}

Du _{point de vue fonctionnement, un Web scrapping ressemble à une opération}

manuelle de _{copier et coller. La différence ici est que ce travail est fait d'une manière}

organiséeet automatique par un agentvirtuel. Cet agent peutsuivre des liens (par l'émission

de _{requêtes HTTP GET) et soumettre des formulaires (par HTTP POST), parcourir de} nombreuses _{différentes pagesweb.}

Après avoir récupérer le document Web cible, l'analyseur suit des

chemins _{spécifiques à intérieur du documentpour récupérerles informations souhaitées. Ces} chemins sont _{spécifiéspar les sélecteurs CSSouXPath. Ils utilisent les cheminsrelatifs ou}

absolus_{(basé surl'arbre DOM)}pour _{pointer l'analyseur à} un élément spécifique à l'intérieur d'un document Web._{Après avoir localiser l'information désirée,normalement le} web_{scrapping utilise aussi les expressions régulièrespour restreindreou élaguer les} informations localisées, afin derécupérerlesdonnées avec unegranularité spécifique.

Un défaut _{important de Web scrapping , est la difficulté de généraliser les scripts} d'extraction. Le _{scriptest généralement attaché} aumodèle DOM d'une page donnée, donc la

dépendance introduite par XPaths ou des sélecteurs CSS, ne le rendent pas facilement réutilisables par différents sites web. Le Web scrapping ne peut être une solution optimale pour récupérer l'information, spécialement lorsqu'il est utilisé en grande échelle ou pour des

solutions commerciales. Avoir un document entier _{lorsque seulement une petite partie de} celui-ci estréellementnécessaire, enfait de luiun processustrès coûteuxdupoint devue des

une_{technique très puissante, lorsqu'aucune autreoptionpourrécupérerdes}informations _n'est

disponible.

1.2.3 Traitement _{Automatique des Langues}

Le Traitement_{Automatique des Langues (TAL) est undomaine de l'informatique qui} étudie les interactions des _{langages humainsavec des ordinateurs. L'objectif principal de TAL}

est de _{permettre uneefficace communication homme-machine, qui pourrait êtresoit en tant} que forme parléeouécrite. Ici, seule laforme écrite seraadressée.

Pour de nombreuses _{applications, il est souhaitable de traiter automatiquement des}

textes écritsen _{langage naturel. Les ordinateurs peuventanalyser etgénérer} automatiquement

destextes en _{langage naturel, extraire de la sémantique et identifier lesobjets du} monde

réel.En _{conséquence,de nombreuses nouvelles applications pourraient en bénéficier. Le} paragraphe suivant présenteraune importante application d'unetechnique de TAL utilisé dans

letext_{mining appeléPart-of-Speech tagging.}

Part-of-Speechtagging(POS)

Une _{application particulière de traitement du langage naturel estde déterminer chaque}

mot dans une _{phrase de chaque partie} du discours, _{connu comme} étiquetage grammatical.

L'étiquetage grammatical est un processus qui consiste à associer aux mots d'un texte leur

fonction_{grammaticale, grâce à leur définitionetleurcontexte .L'étiquetage grammatical, sous}

sa forme la _{plus simple dite étiquetage morpho-syntaxique consiste à affecter à chaque} occurrence d'un_{corpus unsymbolereprésentantsacatégorie grammaticale (nom,}verbe, etc.). La raison _{pour laquelle le marquagePOS est si important pourl'extraction de} l'informationest le fait _{que chaque catégorie joue un rôle spécifique dans une phrase. Les}

Noms donnent des noms aux_{objets, des êtresou des entités}de _notre monde. Un

adjectif qualifieou décrit desnoms.

1.3 Le web

_mining

La fouille du Web _{(web mining) est l'application des techniques d'exploration de} données en vue de découvrir des constantes, schémas ou modèles, dans les ressources

d'internet. Il _{y a actuellement dans le web mining trois principales directions de recherche :} Web Content _{Mining qui concerne l'analyse du contenu des pages Web, Web Structure}

Mining qui s'intéresse à l'analyse de la structure des sites Web, Web Usage Mining qui

1.3.1 Web Content_{Mining (WCM)}

LeWebcontent_{miningapourobjectif d'extraire des connaissances àpartirducontenu}

des pages Web. Ce contenu se présente sous différents types : texte, image, audio, vidéo,

métadonnées et_{hyperliens. Le WCM décrit le processusd'extraction des informations à partir}

des différentes sources de données dans le Web. Ces sources de données sont structurées,

telles que les tables et les bases des données, semi-structurées telles que les pages HTML ou

non structurées telles _que les _{textes. Le processus du WCM} appliqué _{aux textes} comprend

généralement la même succession d'étapes que toutprocessus d'extraction des connaissances à _{partir des données. En effet, la première étape est celle du prétraitement des données}

(nettoyage, structuration...), ladeuxième est celle d'application des techniques de data mining

pour l'extraction des connaissances et la dernière est celle d'analyse et de validation.

Cependant, la phase duprétraitement varie selon letype des données (textes, images, fichiers

logs), de même le choix de la méthode de fouille des données varie selon l'objectif de l'analyse.

Le text _{mining tel qu'il est défini dans (2) est le "processus non trivial d'extraction}

d'informations _{implicites, précédemment inconnues, et potentiellement utiles, à partir de} données textuelles non structurées dans de grandes collections de textes". Il représente ainsi

l'opération d'analyseetde structuration de grands ensembles de documents par l'utilisation de

techniques de traitement du langage naturel et des outils de fouille des données. Des exemples de ces techniques sont l'extraction d'information, la catégorisation de textes, la cartographie de textes et les modèles d'apprentissage automatique. Parmi les applications de

text_mining:

• _{Laclassification automatique desdocuments,} • _{Lerésumé automatique des}

textes,

• _{L'alimentation automatiquedes bases de données,} • _{Laveillesurdes}

corpus documentaires importants,

• _{L'enrichissement de l'index d'un moteur de recherche pour}

améliorer la consultation

des documents.

1.3.2 Web Structure_Mining

Web Structure _{Mining s'intéresse à l'analyse des liens afin d'exploiter l'information} véhiculée par ses liens etparle voisinage des documents Web. Par définition, la propagation de _{pertinence consiste à propager des scores attribués à des pages à travers la structure du} Web.

Cependant, la plupart des algorithmes de propagation de pertinence utilisent des paramètres fixes de propagation qui dépendentdes requêtes exécutées et de la collection de

documents utilisée. De _{plus, ces techniques ne distinguent pas entre les pages répondant} totalement ou _{partiellement à la requête utilisateur et ne tiennentpas compte des différentes}

thématiques abordées dans lespagesweb.

Les _{techniques d'analyse de liens ont été développées, premièrement, pour améliorer} les _{performances de la recherche d'information sur le Web en calculant une valeur de}

pertinence d'un document en fonction non pas de son contenu seul mais également en

fonction de son _{voisinage (documents reliés par des liens hypertextes), ainsi que de la}

structure _{globale du graphe. Deuxièmement, ces techniques nous permettent, dans une}

certaine mesure, et parmi d'autres techniques, d'atteindre et d'indexer des documents non

visibles à l'utilisateur tels _{que les documents protégés, les bases de données, les documents} multimédia_{(images, vidéos, etc).}

1.3.3 Web _{Usage Mining (WUM)}

La fouille de données _{d'usage du Web (Web Usage Mining (WUM), en anglais) est} définie comme étant _{l'application du processus d'Extraction des Connaissances à partir de}

bases de Données _{(ECD) aux données issues des fichiers Logs afin d'extraire des modèles}

comportementaux d'accès au Web en vue de répondre aux besoins des visiteurs de manière

spécifique et adaptée et faciliter la navigation (3) Comme les analyses se font à partir des

fichiers _{logs deserveurs Web,onparleégalement de Web Log Mining.}

Le WUM consiste en _{"l'application des techniques de fouille des données pour}

découvrir des _{patrons d'utilisation à partir des données du Web dans le but de mieux}

comprendreet servir les besoins desapplicationsWeb" (4).

La _{première étape dans leprocessus deWUM , une fois les données collectées, est le}

prétraitement des fichiers Logs qui consiste à nettoyer et transformer les données. La

deuxième _{étape estla fouille des donnéespermettant de découvrirdes règles d'association,un} enchainement de pages Web apparaissant souvent dans les visites et des " clusters "

d'utilisateurs_{ayantdes comportements similairesenterme decontenuvisité. L'étape d'analyse}

et_{d'interprétation clôt le processus duWUM. Elle nécessite lerecours àun ensemble d'outils}

CHAPITRE II

:

Beaucoup derecherches dans l'opinion mining ontétéfaites pourl'identification des

caractéristiques desproduits ettrouver l'opinion sentiment / orientation. Dans cechapitre, les

travaux effectués _{par (5) et (6) vontêtre exposésavec plus de détails que d'autres, avecplus}

d'attention àla dernière. La raison _{pour laquelleces travaux ont été choisiesparmi} d'autres c'est leur solutiond'identification _{automatique des caractéristiques etl'analyse des}

sentiments àunniveau_{optimale de granularité.}

Aussi, les deux définissent des problèmes qui ressemblent, spécialementpour faire face auxopinions dans _{un contexte} de _e-commerce. Enfin,_{un argument}

important favorise l'étude de (6) avec plus de détails. Dans (5), le sentimentest

analyséauniveau de la phrase, alors que cetteapproche fonctionneraisonnablement, ellepeut

cacher _{beaucoup de détails importants. Dans (6)ce problème est résolu grâce à une analyse} trèsfine des sentiments faiteauniveaudes_{caractéristiques.}

2.1 La définition des

_composantes

_{d'opinion dans}

_contexte

Opinion

Mining

Lesdéfinitions utilisées dans cette_{partieontété proposées dans (6), etils résumentles}

éléments _{importants qui composentuneopinion. Certaines deces définitions sont justeune} observation naturelle des éléments _{présents dans les opinions,tandis que d'autresse} réfèrentaux_{problèmes abordés dans (6). Pourcetteraison, certainsdeces} définitions_peuvent ne _{pas s'appliquer à d'autres travaux, car} ils _{peuventavoir des} objectifs différents ainsi

qued'autres stratégiesqu'ils emploientpourles réaliser. Définition du modèle_d'objet

L'objectif principal de l'avis est de mettre en évidence les points forts et les faiblesses

possibles sur les objets en cours de discussion (OuD). Les objets peuvent représenter une

variété de choses dans le monde_réel, comme lesproduits, organisations etpersonnes.

Un OuD est définie comme un arbre et l'utilisation d'une _{partie de relation pour}

décomposer un objet en différents éléments (qui à son tour peut être décomposé en

sous-composants) .Un objet est associé au paire O: (T, A) , où T est une taxonomie des éléments

(ou parties d'un objet) et éventuellement des sous-composantes, et A est un ensemble d'attributs de O. Comme dans une _{arborescence,les composantspeuventégalement}avoir leur propreensemble organisé.

Par _{exemple, un appareil photo représente le nœud racine et les opinions peuvent}

mettre en évidence les _{aspects àproposd'un attribut de l'appareil ainsi que} des attributs d'une

Dans la _{phrase «Cet appareil a un super design » par un exemple, le design est un} attribut de la caméra _{(le nœud racine). D'autre part la phrase "La vie de la batterie est trop} courte"_{parle de la batterie, quiestune composantede la caméraetla viequi estun attributde} la batterie _{(autonomie). Une opinion ne doit pas nécessairementmettre en évidence que les} attributs _{d'objetsoudecomposants,ils peuventégalementseréféreràl'objet lui-même.}

Les _{parties suivantesvont utiliserce modèlepour faire référence àdes opinionsainsi}

que des objets cibles. Dans ce chapitre, l'accentsera mis sur l'exemple des produitsqui

représententun exemple concretde modèle d'objet discuté ci-dessus. Ainsi, le mot ' fonction (caractéristique)' correspond aux composants et aux attributs, ce quipermettra également de simplifierle modèleenomettantla hiérarchie.

Caractéristiques Explicites etimplicites

Quand unecaractéristique fest rapidement disponibles dans un commentaire R,f

est_{appelée unecaractéristique explicite. Il ya des cas où une caractéristique f n'est}

pas disponible rapidement, dans R, donc elle est considéré comme une

caractéristique implicite. Exemple 1:

I. Lavie de la batterie de cet_{appareil est trop courte}

II. Cet_{appareil photo est tropgrand}

Dans la _{première phrase, la vie de la batterie estune caractéristique explicite, tandis}

quedans la seconde, la taille estune caractéristique implicite.La taille n'est pas mentionnée

dans cette _{phrase, mais il est facile de comprendre que «grand » indiqueune}

caractéristique négative de l'attribut taille.

Opinion explicite etimplicite

Une _{opinion explicitesur une caractéristique f estcelle qui exprime directementles}

aspectspositifs ou négatifs d'une caractéristique f. Une opinion implicite sur une

caractéristique festunephrase objective qui impliqueune opinion.

Exemple2:

I. La_{qualité d'image decette caméraestincroyable.} II. Cetteécouteur s'estbriséendeux_jours.

L'exemple ci-dessus tiré de (6)montre que dans la premièrephrase est claire et

explicitet que l'opinionsur la qualité d'imageest positive. Dans le second cas, l'opinion

surl'écouteur n'est pas explicite, mais _{on peut supposer} qu'elle _est négative, basé _sur

2.2 Architecture d'un

_{système d'Opinion}

_Mining

Un _{système d'Opinion Mining proposé par (6) et(5) est composé par les éléments}

suivants, commeillustrédansla_{figure 3.}

Opinion Sentence Orientation Identification

Summary Génération

EU

Figure 3:Architecture d'un système d'extractiond'opinion (5)

Le _{système compte un robot, qui télécharge tous les commentaireset les stocke}

dans la base de données. _{AprèsquePOS Tagger tague toutes les}

critiques qui travaillentcomme des crochetspour la partie responsable del'exploitation des caractéristiques fréquentes .Cetteétape est ignoréepar certains systèmesd'annotation qui la

font manuellement comme dans _{(7) oùles ontologies sontutiliséespour annoterles}

caractéristiques des filmsmanuellement. Ensuite, avecles phrases marquées et les caractéristiques identifiées, les motsd'opinion sont extraits et leurs orientations sémantiques sontidentifiées à l'aide deWordNet. Maintenant, avec les mots d'opinion identifiées et extraites, le système identifie les caractéristiquesrares. Dans la dernière _{partie du processus l'orientation de chaquephrase est identifiée, et un résumé est}

2.2.1 _{Part-of-Speech Tagging}

Dans _{(5) et(6) un tagueur (POS tagger) a été utilisé pour produire pourchaque mot}

une _{part-of-speech (diviser les opinions en phrases), comme indiqué dans le chapitre}

précédent. La raison pour laquelle les avis sont partagés en phrases est essentiellement de

parvenir à la granularité la plus fine autant d'aspects discutés qui peuvent résider dans les

différentes _{phrases qui composent l'ensemble du texte. Plus tard, il sera discuté le niveau de}

granularitéoptimale pouranalyser des opinions.

Les _{phrases marquésproduite par leNLProcessordans cette étape,jouera un rôle très}

important pour lereste du système. Dans l'identification des caractéristiques, un système

d'extraction des données _{dépendra des nom ouphrases nominales (deux à troisnomsvoisins} dansune _{phrase) générée danscette étapepour produire uncertain nombre de} caractéristiquesfréquentes.En outre, la classification du sentimentdépendra des mots

classifiés à la fois comme des _{adjectifs et des adverbes dans cette étape pour produireun} ensemble demots_{d'opinion possible.}

Mot et_{phrased'opinion}

Un mot _{d'opinion est un terme utilisé par (5) et (6) pour faire référence à un mot qui} estnormalement _{qualifié commeun objet ou unattribut decet objet. Ils sontgénéralement les}

adjectifs et les adverbes, mais ils peuvent aussi être des noms et des verbes. Une phrase d'opinion estune phrase quidétient aumoins uneréférence à l'objet (qui pourrait être l'objet lui-même ou tout autre attribut de _{l'objet) et comprend également un ou plusieurs mots}

d'opinion. Les phrases «J'ai acheté cette caméra l'année dernière. Depuis lors, j'ai été très

heureux avec sa _{qualité d'image.". Ici, la première phrase sera rejetée et ne sera pas encore} analysée puisqueaucun motd'opinion n'a été trouvé.La seconde phrase satisfait ladéfinition

d'une _{phrase d'opinion puisque heureux est un mot d'opinion et la qualité d'image est une}

caractéristique de l'appareil photo.

2.3 Identification des

_{caractéristiques}

L'Identification des _{caractéristiquesest le processus utilisépour déduire les}

caractéristiques possibles des produits en dehors des textesmarqués générés parla dernière étape. Lesdeux (5) et(6)utilisent des heuristiquespourlesmotsqui sontles plus susceptibles

d'êtreune _{caractéristique dans unephrase. Normalement, le part-of-speech est} le responsable

de donner desnoms aux entités du monde réel _{qui sont des noms, dans ce cas un nomdonne} un nom au produit _{età ses} caractéristiques _(zoom, la vie de _la batterie, qualité d'image,

etc.) Dans ces travaux, ils définissent deux catégories de caractéristiques, des caractéristiques fréquentes etdes caractéristiquesnonfréquentes.

Dans_{(7)une approche basée sur l'ontologie a étéutilisée pourextraire les}

caractéristiques d'opinions. Dans leur travail, ils l'ont expérimenté avec des critiques des

films, oùils identifientdesphrases contenantlesterminologies d'ontologie.

Ici, il est _{important de différentier} entre les deux approches avec leurs avantages et

inconvénients. Dans ₍₅₎ et (6), l'identification des caractéristiques est effectuée automatiquement. Legrandavantage decetteméthodeest d'effectuer l'ensembleduprocessus

automatiquement, avec une intervention humaine minime. Leplus grand inconvénient estque la sortie _{(les caractéristiques fréquentes) dépendra beaucoup du nombre d'avis en cours}

d'analyse.

En _{outre, il n'ya aucune garantie qu'une caractéristique fréquente trouvées par le} système est en fait une caractéristique réelle. Dans (7) et d'autres travaux où les caractéristiques ont été annotées manuellement, l'avantage est que le système peut toujours

identifier les _{caractéristiques réelles, étant fréquentes ou non. Cela dépendra juste de} l'exactitude de l'annotation faite _{précédemment. Cependant, L'inconvénient majeur est qu'un}

grand nombre d'annotations doit être fait. Usne peuventpas être seulement spécifiques àdes

catégories (comme les caméras numériques, jeux vidéo, téléphones cellulaire), mais ils pourraientêtre encoreplus spécifiques tels que des modèles d'une marque spécifique (Nikon

P90, Nikod D5000, etc.) Cela rendrait l'annotation des caractéristiques un travail très dur.

Aussi, les gens peuvent commenter le manque de caractéristiques d'un produit donné, ou ils

peuvent utiliser différents mots pour désigner la même caractéristique pour laquelle un

système avec une annotation manuelle de caractéristiques va échouer à la reconnaître.

Comptetenu de la brève comparaison entre les différentes approches ci-dessus, les méthodes

explorées dans (5) et (6) ont besoin d'une intervention humaine minimale pour accomplir leurstâchesce_{quipourrait être}amélioré plustard_pard'autres méthodes

2.3.1 Identificationde _{caractéristiquesfréquentes}

Dans ₍₅₎ , et(6), les systèmes proposés font l'extraction uniquement des noms oudes syntagmesnominaux (caractéristiques explicites possibles) à partirdu texte. Dans cette étape,

lesnomsextraits sont_{appelés caractéristiquesdes candidats.}

Puis un _{algorithme d'exploration d'association trouvera les objets fréquents, qui sont}

l'ensemble des _{caractéristiques fréquentes (ceux dont nombreux utilisateurs en discutent).} L'idée derrière cette _{technique est que les caractéristiques qui apparaissent dans des}

nombreuses _{opinions ont plus de chance d'être pertinentes, et par conséquent, plus}

susceptibles d'être effectivement une caractéristique du produit réel. L'algorithme (8) a été

utilisé pourgénérerl'ensemble des éléments fréquents. Toutefois,pourcettetâche il n'yavait

pasbesoin des règlespourtrouverd'associationentre les objets.

2.3.2 Identification de _{caractéristiques nonfréquentes}

Une _{heuristique très simplea été utilisée dans (5) pour découvrir les}

caractéristiques possiblesnonfréquentes (ceux référencéespar unpetitnombre de personnes).

Exemple 3:

I. Les_{photos sontabsolument incroyables.} II. Le_{logiciel qui vient avec, il estincroyable.}

Dans _{l'exemple ci-dessus, les deux phrasesontun motcommun d'opinion :} incroyable. Parce que le mot d'opinionpeut êtreutilisé pour décrire plus d'un objet, ces

mots_{d'opinion sont utiliséspour chercher des caractéristiques qui n'ont pas puêtre trouvées}

dans _{l'étape décriteavant. Les caractéristiques}non fréquentes sontextraites comme illustré dans la_{figure 4} .

for each sentencein the review database

if_{(itcontains no fréquent feature but oneor moreopinion} words)

{ findthenearestnoun/noun phrase around the opinion word The noun/noun_{phrase is stored in ttie feature}

setas an_{mfrequent feature. }}

Figure 4:L'extraction de caractéristiquespeufréquentes

2.3.3 _{Analyse des sentiments des opinions}

La classification des sentiments ou de_{l'analyse des sentiments estun}domaine d'étude

qui viseà classer les sentimentscodées pardestextescommelemontre l'exemple suivant:

Exemple4:

I. Lafille esten colère ->_négative

II. Lesoleilestabsolument_{magnifique aujourd'hui->positive}

Le mot sentiment est_{synonyme de polarité etles deux sontlargement utilisés pour}

décrire l'orientation des textes, des _phrases et des mots commedans l'exemple 4. Letravail

portera surle la classification des sentiments de textes des avis des utilisateurs, d'où le nom

sentiment_d'opinion.

Le _{travail effectué par (9) et (10) classifient chacun des opinions des utilisateurs dans}

Dans _{(6), chaque caractéristique ausein d'une opinion a unsentiment associé. Laraisonpour} laquelle cette dernière approche est préférable aux autres, est facile à réaliser grâce à une

simple observation. Pour l'illustrer, pensez à un site web spécialisé pourles caméras, où les clients_{peuventécrire leurs opinions sur uncertain produit, comme illustré dans la figure} . Le

titulaire d'un avis _{pourrait attirer l'attention tant pour les aspects positifs et négatifs d'un} certain _{produit, le tout dans le même texte (avis). En outre, l'approche de fractionnement de} l'avis en _{phrases et en trouver le sentiment de chacun d'eux peut toujours ne pas être}

suffisant. Par_{exemple la phrase: «J'aime mon appareil photo et lezoom 24x, mais je pense}

que la vie de la batterie est trop courte ". Ici, il est facile de comprendre que la phrase est

«_{plus positifquenégatif», mais qui cachentencore unaspectnégatif de la caméra encours} de

discussion. Cela _{peut représenter un élément très important de l'information, qui peut être}

masqué en classant laphrase entière comme positive. Pour cette raison, la méthode explorée

par (6) permet d'atteindre un niveau de granularité optimale car elle traite chaque attribut de l'OuD avec les détails nécessaires. La _{partie présente une} méthode explorée _par (6) _et (5)

pourtrouverl'orientation desmotsd'opinion.

2.3.3.1 Identification des mots desentiment

Les mots _{d'opinion codent unétat émotionnel, qui peut êtredésirable ou}

indésirable.lesmots _{d'opinion qui codent les états souhaitables (beau, gentil,}

heureux, génial)ontune orientation positive, tandis que ceux qui codent les états indésirable_{(mauvais, terrible, décevant)ont} une orientationnégative. Comme déjà discuté,

les mots_{d'opinionpeuvent appartenir àplusieurs groupes syntaxiques, mais ils sont}

généralement les adjectifset les adverbes. Dans (5), et(6) unesolution simple etefficace aété

proposé pour trouver l'orientation des mots d'opinion. Les auteurs ont utilisé une liste avec certains _{adjectifs et leurs orientations respectives annotées. L'idée est d'utiliser Wordnet (un}

système de référence lexicale en ligne qui organis des mots dans des ensembles synonyme,

appelés synsets), pourrechercher desmots trouvés dans les opinions, et enrichir laliste avec les nouveaux mots trouvés. Dans_{WordNet, les adjectifs sontorganiséscomme des} grappesbipolaires, commeillustré dans la figure 5. Le clusterfast/slow est constituéde deux

moitiés de cluster .fast etson_{antonyme slow sont appelés head synsets .Chaque head synset}

a un satellite _synsetsa qui lui _sont associés, qui _sontdes significations_pour le head

synsetcorrespondant.En outre, la flèche en pointillés dans la figure représente

Figure5:Structure Bipolaire desadjectifs(S)

Pour _{chaque nouveau mot trouvé (qui n'est pourtant pas dans la liste), le système} recherche dans WordNet _{pour des synonymes possibles. Si tout synonyme trouve une}

correspondance dans la liste et parce que les synonymes sont des mots différents avec la

même _{signification, le système comprend ce mot dans la liste en lui donnant la même} orientation _{que le synonyme dans la liste. Si aucun synonyme n'esttrouvé, alors le système} recherche un _{antonyme. Si un antonyme existe et il a une correspondance} dans la liste, le nouveau mottrouvé est inclu. Toutefois, en raison des antonymes qui ont une signification

opposée, lamême règle estappliquée à l'orientation qui sera également l'orientation opposée

comme la correspondance _trouvée dans la liste. Pendant _{ce processus,} la liste _va croître.les motsavec aucuncorrespondance_peuventtomber dans l'undes deux_{cas :}

(1) Ils n'ont aucune correspondance dans la liste, et par conséquent ils devraient être annotésmanuellement_{plus tard. (2) Lemot dépend ducontexte, donc la partie du systèmequi}

gèreles motsdépendants ducontextevadécider desonorientation.

Ce processus peut être mieux remarqué dans la figure7. Dans leur travail, la liste a débuté avec 30 _{adjectifs, des adjectifs positifs (grand, fantastique,) et les adjectifs} négatifs (mauvais, ternes).

2.3.3.2 Déterminer lesentiment _d'opinionsau niveau des phrases

Une _{opinion peut être analysée à différents niveaux de granularité. La figure 6} présente unepseuco-code qui vise àtrouverle sentiment d'opinions auniveau de laphrase.La

partie suivante,va analyser le sentiment d'une opinion au niveau de caractéristique, telle que