Consignes aux auteurs
Contents
1. 34 635 mots Nous avons calcul pour chaque fichier le WER g n ral et le WER sur les mots qui repr sentent des entit s 4 extraire Pour ce faire nous avons corrig les transcriptions automatiques pour obtenir des transcriptions de r f rence et calcul le WER selon la formule 1 o S est le nombre de substitutions D le nombre de suppressions 1 le nombre d insertions et N le nombre total de mots du corpus WER _S D I 1 N Afin de calculer la d gradation de la d tection des entit s nous avons annot les transcriptions de r f rence avec les entit s extraites par nos grammaires Cette annotation automatique sert de r f rence pour la suite des travaux Nous avons ensuite lanc la d tection automatique sur les transcriptions originales et mesur la pr cision 2 et le rappel 3 142 TAL Volume 51 n 3 2010 oo Extractions Correctes Pr cision 2 Extractions ExtractionsCorrectes 3 Rappel Entit sDeR f rence Nous affichons les r sultats dans le tableau 2 ci dessous La diff rence entre 100 et les valeurs de pr cision et de rappel ainsi obtenue est la baisse caus e par la transcription automatique Nbre WER Sie D tection mots G n ral Hor Entit s entit s PA Rappel entit s sion 1 1 629 34 33 15 51 96 86 2 1 803 44 41 72 83 72 52 3 5 867 39 38 36 166 77 73 4 1 201 32 31 28 44 88 87 J 5 873 24 23 35 223 88 72 6 3 955 44 43 38 91 81 67 7 2714 33 32 31 78 76 78 82. impossible scandaleux la fin apr s la prise finale du rendez vous la cliente prend la parole la monopolise jusqu la fin de l appel et se plaint de la situation en employant le m me vocabulaire qu auparavant positif n gatif Score de polarit 21 41 61 81 101 121 141 161 181 201 221 Tour de parole Y Le fi 2 w T v O v w 181 361 541 721 901 1081 1261 1441 1621 Temps en secondes Figure 4 D roulement motionnel d une conversation sur chelles de tour de parole et de temps exemple 3 150 TAL Volume 51 n 3 2010 L exploitation d une telle mod lisation est vidente elle peut tre transform e en crit res de s lection avec quelques simples heuristiques Il sera par exemple possible de chercher toutes les conversations qui se sont globalement mal pass es ou bien celles qui ont mal commenc mais bien fini ou I inverse D apr s nos premi res observations chaque conversation dont le score de polarit n gative d passe le seuil de 4 pr sente un int r t pour les services d am lioration de la qualit de la relation avec le client Avec ce seuil le syst me s lectionne 178 conversations sur 7 564 soit 2 35 des conversations du corpus Cette heuristique choisit des conversations qui repr sentent donc des pics d activit motionnelle mais ignore celles qui ne se passent pas tr s bien dans l ensemble Ces conversations pe
3. Analyse des sentiments et transcription automatique mod lisation du d roulement de conversations t l phoniques ogge k kk a EEEF Frederik Cailliau gt Ariane Cavet Sinequa 12 rue d Ath nes F 75009 Paris T IPN Universit de Paris 13 Paris Nord 99 avenue Jean Baptiste Cl ment F 93430 Villetaneuse UFR de Linguistique Universit Paris 7 30 rue du chateau des rentiers F 75013 Paris cailliau sinequa com cavet sinequa com RESUME Dans cet article nous pr sentons une m thode pour mod liser le d roulement de conversations provenant d un centre d appels Le syst me d analyse des sentiments prend en entr e des transcriptions automatiques ce qui rend la d tection d entit s moins fiable a cause des in vitables erreurs de transcription Nous valuons la d gradation subie en termes de pr cision et de rappel sur un corpus manuellement annot Pour y faire face nous avons d fini un grand nombre d entit s valuatives et de modalit s extraire auxquelles nous avons attribu des poids d intensit Lors du compte de polarit pour chaque tour de parole les entit s neutres sont compt es avec celles forte polarit Le plus haut score tant gagnant cette mod lisation permet de visualiser le d roulement motionnel de la conversation par des courbes positif et n gatif ABSTRACT This paper presents a way to model conversational speech from call centers Sentiment analy
4. la r action videmment qui traduit aussi une conviction dans laquelle le locuteur ne s implique pas motivement Le doute se rencontre dans des phrases telles que II l a fait soi disant dans laquelle le locuteur s implique ou Maintenant je m interroge dans laquelle le locuteur ne s implique pas motivement La supposition s exprime en divers degr s interm diaires supposition certitude forte dans lequel le locuteur exprime un fort degr de certitude comme dans l exemple motivement marqu J en ai bien peur ou l exemple neutre Visiblement a a t fait supposition certitude moyenne dans lequel le locuteur exprime un degr de certitude moyen comme dans l exemple motivement marqu J esp re que a va marcher ou son quivalent neutre Je crois que a va marcher ou supposition certitude faible dans lequel le locuteur exprime un degr de certitude faible comme dans l exemple neutre suivant Il y a peu de chances que a marche Ici aucun exemple motif n a t retenu Mod lisation du d roulement de conversations t l phoniques 141 3 5 Surprise Notre derni re classe d entit s est la surprise c est a dire la r action du locuteur face un fait qui lui appara t comme nouveau Cette r action peut tre de trois types qui illustrent les trois sous types pour la classe surprise La surprise positive repr sente une r action posi
5. 790 24 24 23 23 91 91 9 666 21 19 33 28 96 86 10 708 35 32 55 40 96 65 11 5 640 48 47 39 187 80 69 12 3 789 38 37 31 132 79 73 Moy 37 32 47 83 72 Tableau 2 WER pr cision et rappel de la d tection d entit s Sur notre s lection la moyenne du WER g n ral est assez lev e par rapport l tat de l art Elle n est n anmoins pas tr s repr sentative car on constate de grandes disparit s entre les fichiers individuels La moyenne du WER sur les entit s Mod lisation du d roulement de conversations t l phoniques 143 est encore plus lev e mais elle n est pas repr sentative non plus sept conversations sur douze ont un meilleur WER sur les entit s que sur les autres mots Il n existe donc pas de lien syst matique entre le WER sur les entit s et celui sur les autres mots ou les mots en g n ral Il convient de rappeler ici que nous traitons des donn es en provenance de centres d appels et que le son n est pas toujours de bonne qualit La ligne peut tre assez bruit e notamment quand les clients appellent depuis un portable et le son se d grade galement quand les locuteurs l vent la voix De plus les conversations ont t enregistr es sur un seul canal et quand le client et le t l conseiller parlent en m me temps il est impossible d obtenir de bonnes transcriptions alors que nous avons transcrit la voix qui prenait le dessus Les erreurs de transcription influent norm ment sur le
6. comme les t l conseillers eux m mes ou leurs superviseurs Le but de notre mod lisation est en effet de s lectionner dans une grande masse de donn es les conversations qui peuvent tre utilis es dans une d marche d am lioration de la relation entre le client et le t l conseiller La s lection des conversations probl matiques en combinaison avec une extraction des groupes nominaux la vol e permettra d identifier grossi rement les th mes abord s dans les passages qualifi s de probl matiques Ce sera un d but d identification de la raison de l nervement du client et pourra apr s analyse servir l am lioration du service en g n ral Pavenir l volution technique permettra l enregistrement de conversations t l phoniques sur deux canaux ce qui donnera une meilleure qualit de transcription la possibilit d exploiter le taux de recouvrement et de param trer notre analyse selon que le locuteur est le client ou le t l conseiller Cela devrait nettement augmenter les performances g n rales du syst me Remerciements Les auteurs remercient liane Cheung et M lodie Soufflard pour leur participation l valuation ainsi que EDF R amp D et Vecsys pour la mise disposition des corpus de transcriptions 7 Bibliographie Benveniste E L appareil formel de l nonciation in Langages vol 5 17 p 12 18 1970 Repris dans Probl mes de linguistique g n rale II Gallimard
7. du d roulement de conversations t l phoniques 145 pas transcrits en patrons correspondant des entit s Ces corr lations sont visualis es dans la figure 1 100 R 100 80 80 gt 5 8 PS 8 8 60 60 S 3 40 2 20 20 0 T T T 0 0 20 40 60 80 0 10 20 30 40 50 WER entit s WER nonentit s Figure 1 Corr lations entre WER et rappel gauche et WER et pr cision droite 5 Mod lisation de la conversation 5 1 M thode L objectif est de mod liser le d roulement motionnel d une conversation en polarit s positive et n gative Comme vu ci dessus l identification des expressions valuatives est tr s vuln rable aux erreurs de transcription Il est donc impossible de se fier aveuglement aux entit s valuatives d tect es pour simplement compter le nombre d entit s qui manifestent explicitement un v nement positif ou n gatif Pour cette raison nous avons d velopp la m thode de mod lisation suivante Nous commen ons par d tecter les entit s d crites dans la section 3 Nous partons du principe qu une densit lev e de ces entit s indique un passage int ressant et que certaines entit s sont plus importantes que d autres Nous avons class les types d entit s en positif n gatif et neutre et attribu chaque type un score d intensit que nous avons d termin et affin de fa on empirique Les entit s les mo
8. et nous avons ajout une classe d entit s surprise La suppression de cette classe est due au constat que dans le cadre de l analyse de conversations issues de centres d appels le jugement et l appr ciation sont tr s difficilement diff renciables tant du point de vue du lexique employ nul catastrophique etc que du point de vue de l intention du locuteur En effet l approbation et la d sapprobation du client sont en g n ral tr s fortement li es un sentiment positif ou n gatif suite une action de la part de l entreprise Le client a alors tendance identifier le t l conseiller l entreprise ce qui se traduit par l emploi du pronom personnel vous vous faites barrage vous m enverrez la note Ces observations nous ont encourag s verser le contenu de jugement dans appr ciation et supprimer la classe d entit s jugement L ajout de la classe d entit s surprise est d un autre constat r alis lors de l coute des enregistrements des conversations Dans nos conversations la surprise s exprime le plus souvent par l emploi du mot tonnant Le cas prototypique la place plut t du c t du client puisque c est lui qui appelle avec une question Or parfois c est le client qui apporte des informations qui engendrent un sentiment de surprise chez le t l conseiller Il arrive m me que les deux interlocuteurs expriment un sentiment de surp
9. l expression d une certaine insatisfaction face un fait ou un objet comme c est le cas dans l exemple motivement marqu J en ai ras le bol ainsi que dans l exemple neutre Je trouve que c est excessif 3 2 Acceptation refus L acceptation refus se pr sente galement sous forme de polarit acceptation ou refus Il s agit donc de l acceptation ou du refus du locuteur face une proposition faite par son interlocuteur Comme stipul pr c demment nous n avons pas d exemple motif pour illustrer l acceptation L acceptation neutre se reconna t dans des phrases telles que C est d accord Le refus motivement marqu appara t dans l exemple C est hors de question tandis Je suis vraiment r ticent rel ve d un refus non motivement marqu 140 TAL Volume 51 n 3 2010 3 3 Accord d saccord L accord d saccord se pr sente sous la forme d une gradation qui s tend de l accord total exprim par le locuteur envers son interlocuteur au d saccord en passant par l accord approximatif qui exprime un accord un peu moins franc que dans le cas de l accord total et la rectification qui est une correction apport e par le locuteur sur un propos de son interlocuteur qu il juge erron ou insuffisant Un locuteur qui r pond Ah a j imagine son interlocuteur exprime son accord total tout en s impliquant motivement tandis que s il r p
10. plus profonde Les acteurs des centres d appels et en premier lieu les t l conseillers m mes sont int ress s par toute information qui leur donne un retour sur l interaction avec le client dans le but de s auto valuer et d am liorer le service Les m thodes du traitement de crit que nous appliquons s adaptent plut t bien la recherche et la fouille de donn es dans des corpus de transcriptions automatiques Le syst me d velopp dans le projet Infom gic ST2 31 Garnier Rizet 2008 en est la preuve il enregistre transcrit analyse et rend accessibles les conversations d un centre d appels d EDF Son interface donne un acc s multimodal aux conversations Cailliau et Giraudel 2008 et visualise de multiples informations statistiques sur les conversations Garnier Rizet et al 2010 Gr ce la mod lisation du d roulement motionnel de la conversation nous mettrons disposition de l utilisateur des crit res de s lection de conversation suppl mentaires qui indiquent si la conversation s est bien ou mal pass e Cette mod lisation est faite par analyse textuelle de transcriptions automatiques Plus tard dans le projet nos r sultats seront crois s avec les r sultats de l analyse motionnelle du son Vaudable et al 2010 La d tection d entit s avec des patrons morphosyntaxiques reste n anmoins tr s d pendante de la qualit de la transcription automatique Sur un corpus de transc
11. rer des mod les de classification avec des m thodes d apprentissage Les indices lexicaux sont extraits automatiquement ce qui donne de bons r sultats sur des domaines sp cifiques N anmoins Pang et al 2002 apr s avoir test trois diff rentes m thodes d apprentissage sur des critiques de films concluent que les r sultats sont bons mais qu ils n galent pas ceux obtenus en classification th matique Introduisant un peu plus d analyse linguistique les indices de Turney 2002 sont des bigrammes correspondant des patrons morphosyntaxiques pr d finis comme par exemple adjectif nom et adverbe verbe utilis s pour classifier avec des r sultats partag s des avis de consommateurs de 84 d avis bien classifi s pour les voitures seulement 66 pour les films Dave et al 2003 ont fait varier les indices lexicaux entre unigrammes bigrammes trigrammes et sous cha nes des n grammes de mots d une longueur maximale s lectionn s simplement selon un seuil de fr quence Si les trigrammes sont bien meilleurs que les unigrammes et les bigrammes une l g re am lioration est encore obtenue avec les sous cha nes Ce r sultat est assez int ressant en ce que les sous cha nes se rapprochent le plus de ce qu on pourrait attendre dans un lexique grammaire constitu la main En France la d tection de l opinion a r cemment fait l objet des ateliers DEFT de 2007 et de 2009 http deft limsi fr Les pa
12. vous pouvez utiliser d caf in ingr dients 3 Les partenaires du projet Blogoscopie le LINA de l universit de Nantes Atlantique l h bergeur de blogs Over Blog et Sinequa Blogoscopie est un projet ANR appel 2006 commenc en d cembre 2006 d une dur e de 24 mois 136 TAL Volume 51 n 3 2010 m diocre adjectif mort de rire adjectif nul doute que conjonction p tard mouill nom protester verbe probablement adverbe refuser verbe Appr ciation d favorable m diocre r sultats de foot Appr ciation favorable mdrrrrrrrr roman auteur mdr dictionnaire de mots invent s Opinion supposition certitude forte nul doute que n vrose charognards Appr ciation d favorable est un peu un p tard mouill film Accord d saccord d saccord protestaient contre interdiction Opinion supposition certitude moyenne vient tr s probablement explication pour les gr ves sont probablement interpr tations associations Ou bien plus probablement milieux chape de plomb Acceptation refus acceptation Je ne refuse jamais g teau au chocolat Acceptation refus refus On refuse dipl me je refuse armement nucl aire Accord d saccord d saccord refuse privatisation des universit s Tableau 1 Extrait du lexique d valuations du projet Blogoscopie Au cours des derni res ann es l objet d tude est pass de textes courts et monoth ma
13. 1974 p 79 88 Bestgen Y Lories G Un niveau de base pour la t che 1 corpus fran ais et anglais de DEFT 09 Actes de l atelier de cl ture du 3 DEfi Fouille de Textes DEFT 2009 Limsi 2009 152 TAL Volume 51 n 3 2010 Bloom K Garg N Argamon S Extracting appraisal expressions Proceedings of the human language technology conference of the North American chapter of the association of computational linguistics HLT NAACL 2007 Rochester New York USA 2007a p 308 315 Bloom K Stein S Argamon S Appraisal extraction for news opinion analysis at NTCIR 6 Proceedings of the sixth NTCIR workshop meeting on evaluation of information access technologies Information retrieval question answering and cross lingual information access National Institute of Informatics Tokyo Japan 2007b p 279 285 Breck E Choi Y Cardie C Identifying expressions of opinion in context R Sangal H Mehta and R K Bagga Eds International Joint Conference On Artificial Intelligence Morgan Kaufmann Publishers San Francisco CA 2007 p 2683 2688 Cailliau F de Loupy C Aides la navigation dans un corpus de transcriptions d oral actes de TALN 2007 Toulouse 2007 p 143 152 Cailliau F Giraudel A Enhanced Search and Navigation on Conversational Speech Proceedings of Searching Spontaneous Conversational Speech SSCS 2008 SIGIR 2008 workshop Singapour 2008 Charaud
14. LIMSI CNRS et de Vecsys Research 3 Types d entit s extraites Nous avons essay de respecter autant que possible le cadre th orique h rit du projet Blogoscopie Vu le caract re conversationnel des donn es ce cadre nous semble m me mieux adapt qu l analyse des blogs En effet toute expression valuative prononc e peut tre consid r e comme subjective dans le contexte d un centre d appels En revanche nous avons d adapter la moiti du lexique et donc les 4 Third International Workshop on EMOTION satellite of LREC Corpora for Research on Emotion and Affect 138 TAL Volume 51 n 3 2010 grammaires associ es aux entr es lexicales Celles ci sont au nombre d environ un millier L extrait du lexique original tableau 1 ci dessus illustre les raisons de l adaptation certaines entr es sont typiques du langage crit nul doute que ou du langage Internet mdr et d autres ont peu de chances d appara tre dans les conversations p tard mouill De l autre c t nous avons ajout des entr es typiques du langage conversationnel voir 3 1 Cette adaptation a t faite manuellement partir de tests sur les transcriptions automatiques des appels et une exploration intensive du corpus oral Nous avons apport une l g re modification la liste des modalit s valuatives d crites par Charaudeau et extraites pour le projet Blogoscopie la classe d entit s jugement a disparu
15. ammaticales par des automates tats finis comme dans Intex Silberztein 1993 et Unitex Paumier 2002 Il est en outre possible comme dans les langages de programmation d instancier et de manipuler des variables Une entit n est donc rien d autre qu un mot ou une suite de mots qui correspond aux crit res d finis dans une grammaire d extraction Nous d tectons cinq classes d entit s en plusieurs degr s totalisant seize types d entit s que nous pr sentons et d finissons dans cette section Chaque type d entit s a un quivalent motif qui indique une forte implication motionnelle du locuteur et porte le nombre de types d entit s extraites trente deux Cette implication motionnelle peut s exprimer sous diverses formes selon le type d entit s enthousiasme soulagement compassion col re g ne m fiance etc Elle est marqu e par le fait que le message exprime autant l tat motionnel du locuteur qu il v hicule du contenu informatif comme le montrent les exemples qui accompagnent les d finitions 3 1 Appr ciation L appr ciation se pr sente sous la forme d une polarit favorable ou d favorable La polarit favorable indique l expression par le locuteur d une satisfaction face un fait ou un objet comme on peut le voir travers l exemple motivement marqu merci beaucoup ou dans l exemple neutre c est int ressant La polarit d favorable indique
16. cadrent dans une th orie plus large d nonciation Nous utilisons cette d tection tr s g n rale dans un but tr s sp cifique Nos travaux ont montr qu il est possible de mod liser le d roulement d une conversation t l phonique par une d tection du sentiment exprim par les interlocuteurs m me sur des transcriptions automatiques Au cours de nos exp rimentations l affinage des poids a t assez d licat Il est apparu qu il fallait diff rencier les expressions en fonction de leur charge motive pour mieux capter l tat d esprit des interlocuteurs cela fait la diff rence entre m contentement et col re entre satisfaction et soulagement En outre il nous tait impossible d attribuer une polarit positif n gatif aux entit s d opinion pourtant importantes Mod lisation du d roulement de conversations t l phoniques 151 pour mod liser le sentiment En effet il aurait fallu une analyse fine de l objet sur lequel porte l opinion pour d terminer sa polarit de fa on automatique Cette analyse tant d pendante du domaine et du m tier nous ne nous sommes pas engag s dans cette voie Les prochaines tapes seront de transformer la mod lisation du d roulement de la conversation en crit res de s lection pour un moteur de recherche et d valuer la pertinence des extraits et des conversations ainsi s lectionn s Celles ci pourront ainsi tre cherch es et analys es par des professionnels
17. eau P La critique cin matographique faire voir faire parler La Presse Produit Production Reception Paris Didier Erudition 1998 p 47 70 Charaudeau P Grammaire du sens et de expression Paris Hachette Education 1992 Dave K Lawrence S Pennock D Mining the Peanut Gallery Opinion Extraction and Semantic Classification of Product Review Proceedings of the Twelfth International World Wide Web Conference 2003 Devillers L Vasilescu I D tection des motions partir d indices lexicaux dialogiques et prosodiques dans le dialogue oral actes de JEP Fez 2004 Dubreil E Vernier M Monceaux L Daille B Annotating opinion evaluation of blogs Proceedings of the LREC workshop on Sentiment Analysis Metaphor Ontology and Terminology EMOT 08 Marrakech 2008 Esuli A Sebastiani F Determining the semantic orientation of terms through gloss classification Proceedings of the 14th ACM international Conference on information and Knowledge Management CIKM 05 ACM New York NY 2005 p 617 624 Galliano S Geoffrois E Mostefa D Choukri K Bonastre J F Gravier G The ESTER Phase II Evaluation Campaign for the Rich Transcription of French Broadcast News Proceedings of the European Conf on Speech Communication and Technology Interspeech Lisbonne 2005 Gauvain J L Lamel L Adda G The LIMSI Broadcast News Transcription System Speech Commu
18. es lexiques constitu s manuellement Ceux ci souffrent principalement d une couverture insuffisante Pour pallier cela ces lexiques peuvent tre constitu s avec des m thodes d apprentissage avant d tre retravaill s comme d crit dans Wiebe 2000 et plus r cemment dans Wiebe et Riloff 2005 Pour rendre le lexique moins d pendant du domaine il existe des m thodes de bootstrapping qui consistent cr er un lexique adapt plus large partir des graines que sont les entr es du lexique existant Turney et Littman 2003 Riloff et Wiebe 2003 Whitelaw et al 2005 Il existe cependant aussi des m thodes automatiques comme celle mise en ceuvre par Esuli et Sebastiani 2005 Les lexiques ainsi obtenus sont alors g n ralistes et utilisables dans des contextes moins sp cifiques comme dans l analyse des blogs On trouve principalement deux cadres th oriques en vigueur en analyse des sentiments m me si la plupart des travaux ne font r f rence aucun cadre th orique linguistique Le premier cadre est la th orie de l valuation Appraisal Theory publi e par Martin et White 2005 dans la suite de Halliday 1994 Elle repose sur quatre types d attributs qu ont les adjectifs attitude affect appr ciation jugement graduation force focus orientation positif n gatif et polarit marqu non marqu Ces quatre types ont ensuite de nombreuses options qui permettent de classer finement les ad
19. ets mets vous avez qu marquer un post it vous avez qu marqu impossible ilyayaya il y a e a e a e c est ma passion c est pas possible Tableau 4 Exemples d entit s rep r es cause d une erreur de transcription Nous avons galement identifi un ph nom ne marginal dans un nombre tr s limit de cas la transcription a remplac du texte correspondant au patron d une entit par du texte correspondant au patron d une autre entit Nous donnons les quatre exemples trouv s dans notre corpus dans le tableau 5 Phrase de r f rence Transcription automatique pas malin pas mal mais n importe quoi mais d accord ce sera avec quelqu un qu on aime avec quelqu un quand m me Je vous engueule je vous emb te Tableau 5 Exemples d entit s mal rep r es a cause d une erreur de transcription Les coefficients de corr lation lin aire entre le WER et les mesures de pr cision et de rappel confirment nos constats Le coefficient est de 0 92 pour la corr lation entre le rappel de la d tection des entit s et le WER sur les mots correspondant a un patron d extraction Le coefficient est de 0 65 pour la corr lation entre la pr cision de la d tection des entit s et le WER sur les mots ne correspondant pas a un patron d extraction Il est normal que ce second coefficient soit plus bas le coefficient prend galement en compte la mauvaise transcription de mots qui ne sont Mod lisation
20. eur r pond favorablement ou non Le jugement est exprim lorsque le locuteur d clare son approbation ou sa d sapprobation propos d une action r alis e par son interlocuteur Ces cinq modalit s peuvent avoir plusieurs degr s L approche adopt e dans le projet de recherche Blogoscopie pour la constitution du lexique a t d annoter d abord un corpus de billets de blogs Dubreil et al 2008 Ces annotations ont ensuite servi de base pour la constitution d un lexique grammaire par l quipe de Sinequa contenant 982 entr es dont essentiellement des adjectifs 493 des verbes 192 des noms 166 et des adverbes 60 Il s agissait d un travail de synth se des annotations du corpus et d enrichissement pour tendre la couverture Ce lexique d valuations dont quelques entr es sont illustr es dans le tableau 1 est la base des extractions des opinions dans les blogs par cat gorisation automatique mises en uvre par Vernier et al 2009b Il a galement t le point de d part pour nos travaux d analyse motionnelle des conversations Entr e lexicale valuation exemple th matique dans laquelle l valuation a t exprim e bien s r Accord d saccord accord total adverbe Bien s r soleil autobronzants Oui bien s r Russie d mocratie Opinion conviction bien s r que planche d couper le saucisson Bien s r que cela a t commandit assassinat Russie bien s r
21. icle nous valuons la d gradation du syst me de d tection d entit s et proposons une m thode de mod lisation de la conversation qui en tient compte Apr s un tat de l art sur la d tection des expressions valuatives dans les conversations orales nous situons le cadre th orique choisi et le lexique pr existant Ensuite nous passons en revue l ensemble des entit s que nous d tectons Nous valuons alors l influence des erreurs de transcription sur les entit s que nous extrayons et exposons la m thode que nous mettons en uvre pour pallier le nombre lev d extractions non pertinentes dues aux erreurs de transcription Avant de conclure nous donnons quelques exemples de conversations et leur visualisation sur un graphe projet sur deux chelles diff rentes le tour de parole et le temps 2 L analyse des sentiments Les travaux en analyse des sentiments connaissent leur essor au d but des ann es 2000 avec un grand nombre d articles publi s sur ce sujet Cette floraison d activit est directement li e l av nement du Web 2 0 d sormais les internautes ont la possibilit d exprimer en quelques lignes leur opinion sur des produits des films etc sur le site de l diteur ou du comparateur Ils crivent des valuations qui sont en g n ral courtes et leur attribuent des annotations comme une note par exemple 3 5 ou un nombre d toiles Cela fait de ces pages des corpus parfaits pour g n
22. ins prononc es et les neutres obtiennent un score de 1 alors que celles qui se trouvent aux extr mit s de la polarit positif n gatif obtiennent un score de 2 Ces scores sont multipli s par deux si l expression est consid r e comme motive Cette attribution de poids est illustr e dans le tableau 6 146 TAL Volume 51 n 3 2010 Poids non Poids nee motif motif Favorable positive 2 4 Appr ciation D favorable n gative 2 4 Acceptation positive 2 4 Acceptation refus Refus n gative 2 4 Accord total positive 2 4 Accord d saccor Accord approx positive 1 2 d Rectificatif n gative 1 2 D saccord n gative 2 4 Opinion tous neutre 1 2 Positif positive 2 4 Surprise N gatif n gative 2 4 Tableau 6 Poids d intensit et polarit s assign s aux types d entit s Chaque tour de parole obtient un score de polarit s positif et n gatif gr ce la somme des poids d intensit des entit s rencontr es Les poids d intensit des entit s neutres sont alors ajout s au plus haut score entre les scores de polarit s positive et n gative De cette fa on la densit locale des modalit s exprim es renforce la polarit du tour de parole Nous illustrons ce calcul en l appliquant sur l exemple de la figure 2 dans lequel nous avons mis en gras les entit s d tect es bon je vous emb te parce que c est bien pour rien mais quand m me c est scandaleux suppression de de consid rer ge
23. jectifs Cette th orie a t mise en pratique dans Whitelaw et al 2005 Bloom et al 2007a Bloom et al 2007b La seconde th orie est celle des tats mentaux Private States Theory mise au point par Quirk etal 1995 Les tats mentaux recouvrent les opinions les croyances les jugements l valuation les pens es et les sentiments Cette th orie a t mise en pratique dans Wiebe et al 2005 Breck et al 2007 Somasundaran et al 2006 avec de l g res adaptations Mod lisation du d roulement de conversations t l phoniques 135 Le cadre th orique choisi pour l annotation dans Blogoscopie s inspire n anmoins directement de Charaudeau 1992 dont la th orie se situe dans la lign e des th ories de l nonciation r f rant notamment Benveniste 1970 Ce cadre a t mis au point pr c demment sur des critiques de film dans Charaudeau 1988 Sur les douze types de modalit s que propose Charaudeau 1992 et qui fa onnent le discours cinq expriment une valuation Une opinion est exprim e lorsque le locuteur value la v rit de son propos et r v le son point de vue L appr ciation pr suppose un fait sur lequel le locuteur donne son sentiment donc une valeur affective L accord d saccord pr suppose un message adress au locuteur qui demande son adh sion que le locuteur confirme ou non L acceptation refus pr suppose une demande d accomplissement d un acte auquel le locut
24. llers et Vasilescu 2004 combinent les indices lexicaux dialogiques et prosodiques dans un corpus de 5 000 tours de parole s lectionn s dans des appels d un centre de transactions boursi res Chaque tour de parole est annot avec une motion col re peur neutre satisfaction excuse L annotation des motions est faite par un groupe de quarante personnes dont seulement la moiti a acc s aux fichiers audio Elle b n ficie d un taux d accord de 55 entre les deux groupes montrant ainsi l importance des indices lexicaux Avec les indices lexicaux les auteurs obtiennent un taux de d tection des motions de 70 pour les cinq motions et 85 si on r duit les motions positif et n gatif Nos travaux visent mod liser le d roulement motionnel d une conversation en s appuyant sur les expressions utilis es par les interlocuteurs tout au long de la conversation Nous nous appuyons sur toutes les expressions indiquant des motions ou des opinions car elles nous donnent une indication sur le sentiment des interlocuteurs Le sentiment est ensuite exprim sous la forme d une polarit positive et n gative Les corpus que nous avons notre disposition ont des tailles bien sup rieures ceux de l tat de l art 350 heures et 1 000 heures ont t enregistr es dans les centres d appels d EDF et transcrites dans le cadre des projets Infom gic ST2 31 et VoxFactory en utilisant les technologies issues du
25. nication 37 1 2 2002 p 89 108 Gauvain J L Adda G Lamel L Lef vre F Schwenk H Transcription de la parole conversationnelle Traitement automatique des langues vol 45 3 Lavoisier Paris 2004 p 35 47 Mod lisation du d roulement de conversations t l phoniques 153 Garnier Rizet M Adda G Cailliau F Guillemin Lanne S Waast Richard C CallSurf Automatic transcription indexing and structuration of call center conversational speech for knowledge extraction and query by content Proceedings of LREC 2008 Marrakech 2008 Garnier Rizet M Cailliau F Guillemin Lanne S Search by Content Navigation and Knowledge Extraction on Call Center Conversational Speech for Marketing and Strategic Intelligence Proceedings of RIAO Paris 2010 Halliday M Introduction to Functional Grammar Edward Arnold second edition 1994 Hollard S Tomokiyo M Tufelli D Une Approche de l expression orale des motions tude d un corpus r el actes des quatri mes Journ es de la Linguistique de Corpus Lorient 2005 Jakobson R Linguistique et po tique Essais de linguistique g n rale Paris ditions de Minuit 1963 p 215 217 Martin J R White P R R The Language of Evaluation Appraisal in English London amp New York Palgrave Macmillan 2005 Pang B Lee L Vaithyanathan S Thumbs up sentiment classification using machine learning techniques Proceeding
26. ns moi je suis d sol il y a des gens qui Figure 2 Extrait d un tour de parole client Le d tail de la d tection d entit s est donn dans le tableau 7 Le nom de chaque entit est sp cifi avec sa polarit et son poids d intensit Les poids d intensit Mod lisation du d roulement de conversations t l phoniques 147 sont additionn s et donnent un score de polarit n gative de 19 auquel on a ajout le score de polarit neutre de 1 puisque le score de polarit positive est de 0 Le patron d sol fait en effet partie de deux grammaires et compte deux fois dans le calcul Patron Entit Polarit Intensit emb te Appr ciation d favorable motif n gative 4 quand m me Accord d saccord rectificatif n gative 2 scandaleux Appr ciation d favorable motif n gative 4 suppression Appr ciation d favorable n gative 2 consid rer Opinion supposition certitude forte neutre 1 d sol Appr ciation d favorable motif n gative 4 d sol Acceptation refus refus n gative 2 Tableau 7 Entit s reconnues dans l exemple de la figure 2 Pour adoucir l impact des d tections isol es et pour passer du tour de parole au passage nous prenons la moyenne sur une fen tre glissante selon la formule donn e en 4 1 p L Les 1221 LY 4 i p L Ce calcul a l effet d un filtre passe bas il att nue les valeurs lev es tout en r duisant fortement le bruit ca
27. ond Bien entendu cet accord total ne sera pas marqu motivement L accord approximatif est reconnu dans des phrases comme Je comprends dans laquelle le locuteur s implique motivement sans pour autant vouloir mettre autant d enthousiasme dans sa r ponse que dans le cas de l accord total motif Avec Certes le locuteur ne s implique pas motivement et exprime une certaine retenue La rectification s exprime dans des phrases telles que Je ne vous dis pas le contraire dans le cas o le locuteur s implique motivement ou Tout de m me dans le cas inverse Dans ces deux derni res phrases le locuteur ne peut se satisfaire des propos tenus par son interlocuteur et s appr te 4 y apporter une rectification Enfin le d saccord est identifiable sous sa forme motivement marqu e dans une phrase comme C est vraiment n importe quoi et sous sa forme neutre C est pas coh rent ce que vous me dites 3 4 Opinion L opinion d signe ici le degr de certitude du locuteur Celle ci se pr sente donc sous la forme d une gradation qui va de la conviction qui exprime une certitude absolue du locuteur au doute qui au del de l absence de certitude va jusqu mettre en doute la v racit d un fait Dans Je vous garantis que je l ai fait le locuteur exprime sa conviction dans le but de convaincre son interlocuteur et s implique motivement contrairement
28. ressions in oral dialogues towards an extension of Universal Networking Language Jestis Cardefiosa Alexander Gelbukh Edmundo Tovar eds Universal Networking Language advances in theory and applications Mexico City 2005 154 TAL Volume 51 n 3 2010 Torres Moreno J M El B ze M B chet F Camelin N Comment faire pour que l opinion forg e la sortie des urnes soit la bonne Application au d fi DEFT 2007 actes de Il atelier de cl ture du 3 DEfi Fouille de Textes DEFT 2007 AFIA 2007 Turney P D Thumbs up or thumbs down semantic orientation applied to unsupervised classification of reviews Proceedings of the 40th Annual Meeting on Association for Computational Linguistics Morristown NJ 2002 p 417 424 Turney P D Littman M L Measuring praise and criticism Inference of semantic orientation from association ACM Trans Inf Syst 21 4 Oct 2003 p 315 346 Vaudable C Rollet N Devillers L Annotation of affective interaction in real life dialogs collected in a call center Third International Workshop on EMOTION LREC Workshop Malta 2010 Vernier M Monceau L Daille B DEFT 09 d tection de la subjectivit et cat gorisation de textes subjectifs par une approche mixte symbolique et statistique Actes de l atelier de cl ture du 3 DEfi Fouille de Textes DEFT 2009 Limsi 2009a Vernier M Monceaux L Daille B Dubreil E Cat go
29. riptions d missions de radio Cailliau et Loupy 2007 ont constat une d gradation significative mais acceptable des groupes nominaux extraits pour la navigation portant le nombre de groupes nominaux mal form s de 5 10 Le taux d erreur de transcription des mots WER est n anmoins bien plus lev sur les conversations que sur les missions de radio Le WER sur ces missions est de moins de 20 Gauvain et al 2002 et atteignait m me les 11 9 lors de la campagne ESTER Galliano et al 2005 L adaptation du m me syst me au traitement de la parole conversationnelle a permis de r duire un taux d erreur initial de 51 21 avec un temps de 18 9 fois le temps de signal Gauvain et al 2004 Or d apr s les r sultats d un test ind pendant sur 10 heures de conversations t l phoniques semblables aux n tres c est dire provenant d un centre d appels EDF le taux d erreur varie de 27 1 Le projet VoxFactory labellis par le p le de comp titivit Cap Digital est financ par le FUI6 2 Fait lors d Infom gic ST2 31sur un sous ensemble des donn es du projet Mod lisation du d roulement de conversations t l phoniques 133 pour les t l conseillers 33 pour les clients Si l on peut esp rer des progr s dans la transcription de ce type de donn es dans les ann es venir les erreurs de transcription poseront toujours un d fi pour l extraction des connaissances Dans cet art
30. risation des valuations dans un corpus de blogs multi domaine Revue des Nouvelles Technologies de l Information RNTI RNTI E 17 p 45 70 2009b Whitelaw C Garg N Argamon S Using appraisal groups for sentiment analysis Proceedings of the 14th ACM international Conference on information and Knowledge Management CIKM 05 ACM New York NY 2005 p 625 631 Wiebe J Learning Subjective Adjectives from Corpora Proceedings of the Seventeenth National Conference on Artificial Intelligence and Twelfth Conference on innovative Applications of Artificial intelligence AAAI IAAI AAAI Press 2000 pp 735 740 Wiebe J Wilson T Cardie C Annotating expressions of opinions and emotions in language Language Resources and Evaluation vol 39 2 3 2005 p 165 210 Wiebe J Riloff E Creating Subjective and Objective Sentence Classifiers from Unannotated Texts Proceedings of the 6th International Conference on Computational Linguistics and Intelligent Text Processing CICLing 05 Invited Paper Springer LNCS vol 3406 2005 Springer Verlag
31. rise au sein d une m me conversation Ces appels non prototypiques traduisent g n ralement d un certain d s quilibre entre les interlocuteurs dont les r les informateur et inform sont chang s Ainsi bien que la surprise ne soit pas originellement une modalit valuative nous l avons ajout e la liste des types d entit s extraites Le mot tonnant revient assez souvent Deux types d entit s n ont pas d entr es lexicales correspondantes pour l instant Notre liste se veut homog ne et sym trique mais dans les faits une simple reconnaissance lexicale ne suffit pas toujours reconna tre toutes les motions Par exemple l acceptation motive dans acceptation refus pourrait tre exprim e par un oui tr s accentu sur le plan prosodique Cependant l insertion de ce mot dans le lexique sans tenir compte de la prosodie engendrerait trop de bruit il rel ve tr s souvent de la fonction phatique du langage Jakobson 1963 et sert donc uniquement valider le fait qu un message est correctement parvenu son destinataire Mod lisation du d roulement de conversations t l phoniques 139 Nous avons construit une grammaire d extraction pour chaque type d entit s La technologie utilis e est propre Sinequa et s appelle TMA Text Mining Agent Elle permet d exprimer des patrons textuels avec des crit res multiniveaux expressions r guli res lemmes cat gories gr
32. rticipants de DEFT 2007 ont 134 TAL Volume 51 n 3 2010 travaill sur quatre types de textes critiques de spectacles tests de jeux relectures d articles scientifiques et d bats sur des textes de loi Les textes de ces corpus ont t annot s avec des valeurs d opinion L quipe du LIA tait class e premi re a DEFT 2007 avec un syst me fusionnant les r sultats de plusieurs classifieurs Torres Moreno etal 2007 En 2009 il s agissait de classifier des articles de journaux selon leur subjectivit et de d tecter des passages subjectifs dans les documents La premi re t che a t gagn e par l quipe de l UCL Bestgen et Lories 2009 avec un classifieur SVM la seconde par le LINA Vernier et al 2009a avec une approche mixte symbolique et statistique Pour une vue d ensemble sur le domaine de l analyse des sentiments Pang et Lee 2008 et Tang et al 2009 donnent une synth se compl te de son d veloppement Ils font galement tat des autres probl mes surmonter comme par exemple la distinction entre nonc s subjectifs et objectifs Pang et Lee 2004 Une caract ristique des m thodes d apprentissage est que les mod les qu elles engendrent sont tr s li s leurs corpus d entrainement et plus particuli rement leurs domaines Certains travaux comme Pang et al 2002 indiquent que la constitution automatique des indices lexicaux donne de meilleurs r sultats qu en utilisant d
33. s of the Acl 02 Conference on Empirical Methods in Natural Language Processing vol 10 Morristown NJ 2002 p 79 86 Pang B Lee L A Sentiment Education Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cut Proceedings of ACL 2004 p 271 278 Pang B Lee L Opinion Mining and Sentiment Analysis Found Trends Inf Retr 2 1 2 Jan 2008 2008 p 1 135 Paumier S Manuel d utilisation d Unitex Universit de Marne la Vall e 2002 Quirk R Greenbaum S Leech G Svartvik J A comprehensive grammar of the English language Harlow Longman 1985 p 1779 Riloff E Wiebe J Learning extraction patterns for subjective expressions Proceedings of the 2003 Conference on Empirical Methods in Natural Language Processing vol 10 Theoretical Issues In Natural Language Processing ACL Morristown NJ 2003 p 105 112 Silberztein M Dictionnaires lectroniques et analyse automatique de textes le syst me INTEX Masson Paris 1993 Somasundaran S Wiebe J Hoffmann P Litman D Manual annotation of opinion categories in meetings Proceedings of the Workshop on Frontiers in Linguistically Annotated Corpora 2006 ACL Workshops ACL Morristown NJ 2006 p 54 61 Tang H Tan S Cheng X A survey on sentiment detection of reviews Expert Systems with Applications vol 36 7 2009 p 10760 10773 Tomokiyo M Chollet G Hollard S Studies of emotional exp
34. s performances de la d tection des entit s agissant la fois sur le rappel et sur la pr cision La baisse du rappel indique que la transcription automatique contient moins d entit s que la r f rence L origine de cette baisse vient du fait que la transcription a remplac des mots qui correspondaient un patron extraire par des mots qui ne correspondaient pas ce patron Nous donnons quelques exemples de ce ph nom ne dans le tableau 3 Phrase de r f rence Transcription automatique tout fait tout a c est C est d bile d bile d bile c est des billes d lit d bit votre recouvrement de merde votre recouvrement de mais a m a co t deux cents euros ces a m a co t deux cents euros conneries conomique vous les avez envoy chier vous qui est d abord oui j ai Tableau 3 Exemples d entit s non rep r es cause d une erreur de transcription La baisse de la pr cision indique qu une partie des entit s reconnues dans les transcriptions automatiques le sont tort La transcription a donc remplac du texte qui ne contenait pas de patrons extraire par du texte qui en contenait Nous donnons quelques exemples de ce ph nom ne dans le tableau 4 144 TAL Volume 51 n 3 2010 Phrase de r f rence Transcription automatique l installation lectrique est aux normes l installation lectrique tonnant la l a y est maintenant moi je vous la place et malheureusement je m
35. sis on speech transcripts is less reliable because of the unavoidable mistakes made by the automatic transcription We evaluate the degradation in terms of precision and recall on a manually annotated corpus To counter it we defined a great number of evaluative and modality entities to be extracted and weighted them on intensity When counting the polarity score for each speech turn neutral entities are counted with the entities having a strong polarity For each speech turn the highest score is taken This way of processing allows us to represent the emotional course of the conversation by positive and negative curves MOTS CLES analyse des sentiments parole conversationnelle d tection des modalit s fouille de texte KEYWORDS sentiment analysis conversational speech modality detection text mining TAL Volume 51 n 3 2010 pages 131 154 132 TAL Volume 51 n 3 2010 1 Introduction De nos jours les centres d appels sont devenus une interface importante entre le client et l entreprise Les grandes quantit s d informations qu ils v hiculent int ressent en premier lieu les d partements commerciaux et marketing Soucieuses d am liorer la relation avec le client les entreprises s int ressent galement au contenu motionnel de ces conversations Dans le cadre du projet VoxFactory nous d veloppons une m thode pour s lectionner les conversations pr sentant un int r t pour une analyse humaine
36. tiques des textes plurith matiques tels les billets de blogs g n ralistes On cherche galement distinguer les passages objectifs des passages subjectifs identifier l objet de l valuation et son metteur r sumer et visualiser les r sultats Pour nos travaux le type de textes tudi nous simplifie en quelque sorte la t che En effet nous restons dans un seul et m me domaine Le vocabulaire des conversations n est pas tr s diversifi et les interlocuteurs sont les metteurs des Mod lisation du d roulement de conversations t l phoniques 137 messages Les erreurs faites par la transcription automatique ajoutent n anmoins une difficult bien particuli re Les travaux d analyse des sentiments sur de la parole conversationnelle ne sont pas nombreux C est souvent le corpus qui fait d faut comme le signale juste titre l appel contributions du troisi me workshop EMOTION LREC 2010 la plupart des corpus auraient une dur e de moins de 30 minutes et leur annotation ne serait pas optimale Dans ce domaine Hollard et al 2005 et Tomokiyo et al 2005 ont pu travailler sur un corpus d enregistrements de messages laiss s sur le r pondeur de l assistance informatique d un h pital public Le corpus correspond 5h30 de parole Les auteurs ont tudi les marqueurs lexicaux et phonologiques ton d bit et d apr s leurs observations les deux types ne correspondent pas toujours Devi
37. tive du locuteur face 4 ce fait nouveau comme dans l exemple motivement marqu Bingo ou non marqu En voila une surprise Au contraire la surprise n gative indique une r action n gative du locuteur face ce fait nouveau comme dans l exemple motif A e ou dans l exemple non motivement marqu Il y a une anomalie Enfin la surprise peut d clencher une r action chez le locuteur mais le terme ou l expression utilis s ne permettent pas de d terminer si cette r action est positive ou n gative C est par exemple le cas quand un locuteur prononce la phrase J en reste baba dans laquelle il s implique motivement ou a c est tonnant dans laquelle il ne s implique pas Nous avons nomm ce sous type la surprise neutre 4 Evaluation de la d gradation de la d tection des entit s Pour valuer l impact des erreurs de la transcription automatique sur la d tection des entit s valuatives nous avons pris douze conversations que nous avions s lectionn es au cours de la d couverte du corpus parce qu elles concentrent un nombre lev de ces entit s Les douze conversations repr sentent presque 3 heures de parole Comme le signal des vingt premi res secondes de chaque conversation a t anonymis pour des raisons de confidentialit nous ne les avons pas prises en compte dans cette valuation Cela porte le nombre de mots total de ce corpus d valuation
38. uiti me tour de parole la t l conseill re appelle un tiers professionnel galement pour v rifier les propos de la cliente Les sept tours de parole suivants au cours desquels aucune entit n gative n est d tect e repr sentent la prise de contact avec le tiers Cette conversation dure jusqu ce que l enregistrement soit coup Pendant toute la conversation la t l conseill re est rest e calme positif n gatif Score de polarit On BD Ow 1 6 11 16 21 26 31 36 41 46 51 Tour de parole Score de polarit 1 61 121 181 241 301 361 421 481 541 Temps en secondes Figure 3 D roulement motionnel d une conversation sur chelles de tour de parole et de temps exemple 2 Mod lisation du d roulement de conversations t l phoniques 149 L appel de l exemple 3 figure 4 provient d une cliente dont le fils a rat le rendez vous avec le technicien La conversation dure un peu moins de 30 minutes La majeure partie de la communication se passe entre des t l conseill res afin de fixer un rendez vous avec quelques courts allers retours avec la cliente pour lui proposer des cr neaux horaires Celle ci parle d un ton exc d tout au long de la conversation mais son temps de parole limit n a pas permis de faire merger des passages m me si son vocabulaire tait tr s n gatif arnaque insupportable trucs de fou soci t de fou inadmissible
39. us par des valeurs basses Nous l appliquons sur une fen tre de cinq tours de parole donc la demi longueur L de la fen tre est gale 2 ce qui est la meilleure valeur d apr s nos observations Ce calcul permet de visualiser le d roulement motionnel de la conversation sous forme de courbes positive et n gative Afin d obtenir une meilleure vision du d roulement de la conversation nous avons projet cette repr sentation sur une chelle temporelle gr ce au minutage des tours de parole dont nous disposions dans les transcriptions automatiques Les deux types de courbes sur chelle du tour de parole et sur chelle temporelle sont illustr s ci dessous 148 TAL Volume 51 n 3 2010 5 2 Exemples Nous avons s lectionn les exemples 2 et 3 de notre corpus annot pour illustrer notre mod lisation L exemple 2 figure 3 est une conversation qui est tr s motionnelle au d but et qui se normalise en diff rentes tapes Elle dure environ 10 minutes Elle commence par une cliente tr s nerv e qui m ne un change tr s d s quilibr avec la t l conseill re Celle ci reste tr s calme et pos e en d pit de l agressivit subie Au douzi me tour de parole la cliente passe le combin une personne de son entourage Elle est un peu moins agressive mais la situation reste tendue Elle emploie des expressions comme pas normal pas logique Cette personne se calme peu peu et au trente h
40. uvent tre rep r es par deux autres heuristiques que nous exp rimentons galement La premi re rep re une courbe n gative qui est relativement haute sur toute la conversation sur un certain pourcentage par exemple un tiers de la conversation le score de polarit d passe un seuil d finir La seconde heuristique exploite la fr quence relative des expressions motives dans les conversations au dela d un certain seuil la fr quence d expressions motives d note la pr sence d une motivit sup rieure la normale Ces trois m thodes restent valuer plus pr cis ment mais sont compl mentaires pour s lectionner diff rents types de conversations probl matiques celles contenant un pic d activit motionnelle et celles dont l activit motionnelle est importante mais r partie sur l ensemble de la conversation 6 Conclusion et perspectives Si les m thodes de traitement de l crit s adaptent bien au traitement de l oral certains types de donn es posent un vrai d fi Dans cet article nous avons valu la d gradation que subit un syst me de d tection d entit s quand il est confront des transcriptions automatiques de conversations Nous avons ensuite propos une m thode d exploitation des entit s qui visualise le d roulement motionnel d une conversation tout en int grant activement cette d gradation Les entit s valuatives que nous d tectons sont des modalit s qui
Download Pdf Manuals
Related Search